DE102022126537A1 - Coding of priority scenarios for autonomous systems - Google Patents
Coding of priority scenarios for autonomous systems Download PDFInfo
- Publication number
- DE102022126537A1 DE102022126537A1 DE102022126537.4A DE102022126537A DE102022126537A1 DE 102022126537 A1 DE102022126537 A1 DE 102022126537A1 DE 102022126537 A DE102022126537 A DE 102022126537A DE 102022126537 A1 DE102022126537 A1 DE 102022126537A1
- Authority
- DE
- Germany
- Prior art keywords
- vehicle
- geometry
- path
- data
- scenario
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims description 93
- 238000012545 processing Methods 0.000 claims description 56
- 230000008447 perception Effects 0.000 claims description 50
- 230000006399 behavior Effects 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000037361 pathway Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 17
- 230000006870 function Effects 0.000 description 58
- 230000015654 memory Effects 0.000 description 54
- 238000013528 artificial neural network Methods 0.000 description 49
- 230000008569 process Effects 0.000 description 34
- 238000001514 detection method Methods 0.000 description 31
- 125000000914 phenoxymethylpenicillanyl group Chemical group CC1(S[C@H]2N([C@H]1C(=O)*)C([C@H]2NC(COC2=CC=CC=C2)=O)=O)C 0.000 description 30
- 229920002451 polyvinyl alcohol Polymers 0.000 description 30
- 235000019422 polyvinyl alcohol Nutrition 0.000 description 30
- 238000004891 communication Methods 0.000 description 28
- 238000003860 storage Methods 0.000 description 22
- 238000010801 machine learning Methods 0.000 description 21
- 238000013527 convolutional neural network Methods 0.000 description 20
- 239000013598 vector Substances 0.000 description 19
- 230000004438 eyesight Effects 0.000 description 18
- 230000000670 limiting effect Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 16
- 238000007726 management method Methods 0.000 description 14
- 238000013507 mapping Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 13
- 230000001133 acceleration Effects 0.000 description 12
- 239000003795 chemical substances by application Substances 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 230000033001 locomotion Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 230000004807 localization Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000007667 floating Methods 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 241000269400 Sirenidae Species 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 210000003717 douglas' pouch Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000004397 blinking Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 206010001488 Aggression Diseases 0.000 description 1
- 101100248200 Arabidopsis thaliana RGGB gene Proteins 0.000 description 1
- 101100116570 Caenorhabditis elegans cup-2 gene Proteins 0.000 description 1
- 101100116572 Drosophila melanogaster Der-1 gene Proteins 0.000 description 1
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 1
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 1
- 240000004752 Laburnum anagyroides Species 0.000 description 1
- 206010034960 Photophobia Diseases 0.000 description 1
- 241001122315 Polites Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 208000012761 aggressive behavior Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000001693 membrane extraction with a sorbent interface Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18154—Approaching an intersection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/40—High definition maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Robotics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
In Beispielen werden autonome Fahrzeuge in die Lage versetzt, Vorfahrtszenarien auf sichere und vorhersehbare Weise zu befahren. Als Reaktion auf das Erfassen eines Vorfahrtszenarios wird eine Warteelement-Datenstruktur erzeugt, die die Geometrien eines Ego-Wegs, eines Konkurrenten-Wegs, der mindestens einen Konkurrenzpunkt mit dem Ego-Weg enthält, sowie einen Konkurrenzzustand codiert, der mit dem mindestens einen Konkurrenzpunkt verbunden ist. Die Geometrie des Kontextes des Vorfahrtsszenarios kann ebenfalls codiert werden, z. B. die Innenfläche einer Kreuzung, Einfahrts- oder Ausfahrtslinien usw. Die Datenstruktur der Warteelemente wird an einen Vorfahrtsplaner des autonomen Fahrzeugs weitergeleitet. Der Vorfahrtsplaner bestimmt ein Vorfahrtsverhalten für das autonome Fahrzeug mindestens basierend auf der Warteelementdatenstruktur. Ein Steuerungssystem des autonomen Fahrzeugs kann das autonome Fahrzeug gemäß dem Vorfahrtsverhalten betreiben, so dass das autonome Fahrzeug das Vorfahrtszenario sicher durchfährt.In examples, autonomous vehicles are enabled to negotiate right-of-way scenarios in a safe and predictable manner. In response to detecting a right-of-way scenario, a queuing element data structure is generated that encodes the geometries of an ego path, a competitor path that includes at least one contention point with the ego path, and a contention state associated with the at least one contention point is. The geometry of the context of the right-of-way scenario can also be encoded, e.g. B. the inner surface of an intersection, entry or exit lines, etc. The data structure of the waiting elements is forwarded to a priority planner of the autonomous vehicle. The priority planner determines a priority behavior for the autonomous vehicle based at least on the queuing element data structure. A control system of the autonomous vehicle can operate the autonomous vehicle according to the right-of-way behavior so that the autonomous vehicle safely runs through the right-of-way scenario.
Description
Hintergrundbackground
Fortschritte bei Verfahren des maschinellen Sehens, den Architekturen neuronaler Netze und den Rechensubstraten ermöglichen allmählich autonome Fahrzeuge, wie z. B. landgestützte autonome Fahrzeuge (z. B. selbstfahrende Autos und Lastwagen) und Roboter. Damit die Öffentlichkeit und die staatlichen Aufsichtsbehörden einen breiten Einsatz von selbstfahrenden Autos und Lastwagen auf den Straßen akzeptieren, müssen die selbstfahrenden Autos und Lastwagen ein Sicherheitsniveau erreichen, das das derzeitige Sicherheitsniveau eines durchschnittlichen menschlichen Fahrers übertrifft. Sicheres und effektives Fahren setzt voraus, dass alle Fahrer darauf vertrauen können, dass andere Fahrzeuge in der Umgebung ordnungsgemäß die Vorfahrt gewähren, wenn sie dazu verpflichtet sind. Wenn ein Fahrzeug nicht die Vorfahrt gewährt, kann es sein, dass die Fahrer anderer Fahrzeuge in der Nähe nicht in der Lage sind, sicher und effizient zu fahren, weil andere Fahrer „unberechenbar“ sind, z. B. Fahrer, die durch ihr Verhalten signalisiert haben, dass sie möglicherweise nicht die Vorfahrt gewähren, wenn sie dazu verpflichtet sind. Eine notwendige Bedingung für den Einsatz selbstfahrender Autos und Lkw ist daher, dass die selbstfahrenden Autos und Lkw die Vorfahrtsszenarien (z. B. Kreuzungen und einmündende Fahrspuren) „sicher und höflich“ bewältigen.Advances in machine vision techniques, neural network architectures, and computing substrates are beginning to enable autonomous vehicles such as B. Land-based autonomous vehicles (e.g. self-driving cars and trucks) and robots. For the public and government regulators to accept widespread deployment of self-driving cars and trucks on the roads, the self-driving cars and trucks must achieve a level of safety that surpasses current safety levels of the average human driver. Safe and effective driving requires that all drivers can be confident that other vehicles in the area will properly yield the right-of-way when they are required to do so. If a vehicle does not yield the right-of-way, drivers of other nearby vehicles may not be able to drive safely and efficiently because other drivers are "unpredictable", e.g. B. Drivers who have signaled by their behavior that they may not give way when required to do so. A necessary condition for the use of self-driving cars and trucks is therefore that the self-driving cars and trucks handle the right-of-way scenarios (e.g. intersections and lane junctions) “safely and politely”.
In der Regel bestimmen die örtlichen Verkehrsvorschriften und Fahrprotokolle, welche Fahrzeugführer (und unter welchen Bedingungen) die Verantwortung oder Verpflichtung haben, anderen Vorfahrt zu gewähren. Zu diesen Vorschriften gehören Verkehrsgesetze (z. B. müssen Fahrzeuge Fußgängern an einem Zebrastreifen Vorrang gewähren), situationsbedingte Beschilderung (z. B. ein Straßenschild, das anzeigt, welche Einfahrten in eine Kreuzung anderen Einfahrten Vorfahrt gewähren müssen) und andere Echtzeit-Hinweise (z. B. die nahezu gleichzeitige Ankunft mehrerer Fahrzeuge in einem Kreisverkehr). Herkömmliche autonome Fahrzeuge sind jedoch nicht in der Lage, solche Protokolle zu codieren und einzusetzen. Stattdessen können herkömmliche Systeme darauf abzielen, Kollisionen zu vermeiden, ohne dabei Vorfahrtsprotokolle zu berücksichtigen, und können daher nicht sicher und vorhersehbar durch Vorfahrtszenarien navigieren.Typically, local traffic regulations and driving protocols determine which drivers (and under what conditions) have the responsibility or obligation to give way to others. These regulations include traffic laws (e.g., vehicles must give way to pedestrians at a crosswalk), situational signage (e.g., a street sign indicating which entrances to an intersection must give way to other entrances), and other real-time cues ( e.g. the almost simultaneous arrival of several vehicles in a roundabout). However, conventional autonomous vehicles are not capable of encoding and deploying such protocols. Instead, conventional systems may aim to avoid collisions without considering right-of-way protocols and thus cannot safely and predictably navigate through right-of-way scenarios.
ZusammenfassungSummary
Ausführungsformen der vorliegenden Offenbarung beziehen sich auf die Codierung von Vorfahrtszenarien für autonome Systeme (z. B. ein bemanntes oder unbemanntes Fahrzeug oder einen Roboter). Es werden Systeme und Verfahren offenbart, die für die Echtzeitsteuerung autonomer Systeme sorgen, wenn die Systeme auf ein Vorfahrtszenario treffen.Embodiments of the present disclosure relate to coding of give-way scenarios for autonomous systems (e.g., a manned or unmanned vehicle or a robot). Systems and methods are disclosed that provide real-time control of autonomous systems when the systems encounter a right-of-way scenario.
Im Gegensatz zu konventionellen Systemen, wie sie oben beschrieben wurden, ermöglichen die offenbarten Ausführungsformen autonomen Systemen, Vorfahrtszenarien auf sichere und vorhersehbare Weise zu bewältigen. In mindestens einer Ausführungsform wird als Reaktion auf die Erkennung eines Vorfahrtszenarios eine Datenstruktur erzeugt, die die Geometrien eines Ego-Wegs, eines Konkurrenten-Wegs, der mindestens einen Konkurrenzpunkt mit dem Ego-Weg enthält, sowie einen Konkurrenzzustand codiert, der mit dem mindestens einen Konkurrenzpunkt verbunden ist. Die Geometrie des Kontextes eines Vorfahrtsszenario kann ebenfalls codiert werden, z. B. die Geometrie, die einen Bereich der Innenfläche einer Kreuzung definiert (z. B. als Polygon), Einfahrts- oder Ausfahrtslinien usw. Die Datenstruktur wird an einen Vorfahrtplaner des autonomen Systems weitergeleitet. Der Vorfahrtplaner bestimmt ein Vorfahrtverhalten für das autonome System mindestens basierend auf der Datenstruktur. Ein Steuerungssystem des autonomen Systems kann das autonome System gemäß dem Vorfahrtverhalten betreiben, so dass das autonome System das Vorfahrtszenario sicher befährt.In contrast to conventional systems such as those described above, the disclosed embodiments enable autonomous systems to handle give-way scenarios in a safe and predictable manner. In at least one embodiment, in response to detecting a right-of-way scenario, a data structure is generated that encodes the geometries of an ego path, a competitor path that contains at least one contention point with the ego path, and a contention state that contains the at least one point of competition is connected. The geometry of the context of a right-of-way scenario can also be encoded, e.g. B. the geometry that defines an area of the inner surface of an intersection (e.g. as a polygon), entry or exit lines, etc. The data structure is passed to a priority planner of the autonomous system. The right-of-way planner determines a right-of-way behavior for the autonomous system based at least on the data structure. A control system of the autonomous system can operate the autonomous system according to the right-of-way behavior so that the autonomous system safely runs the right-of-way scenario.
In mindestens einer Ausführungsform kann ein Vorfahrtszenario (z. B. ein Kreuzungs- oder Einmündungsvorfahrtszenario) mindestens basierend auf der Analyse von Sensordaten erkannt werden, die von mindestens einem Sensor eines autonomen Fahrzeugs erzeugt werden. Die Kartenlokalisierung und/oder -wahrnehmung kann verwendet werden, um verschiedene Informationen im Zusammenhang mit dem Vorfahrtszenario zu bestimmen. Beispielsweise kann ein erster Weg für das autonome Fahrzeug und ein zweiter Weg für einen Konkurrenten (z.B. ein anderes Fahrzeug oder ein anderes Objekt) durch das Vorfahrtszenario bestimmt werden. Zwischen den Wegen kann mindestens ein Konkurrenzpunkt bestehen, der anzeigen kann, dass eine Kollision möglich ist, wenn die Wege durchfahren werden. Um einen Konkurrenzzustand (der definiert, wie sich das Fahrzeug verhalten soll) des mindestens einen Konkurrenzpunkts zu bestimmen, kann das System eine oder mehrere der Verkehrsregeln ermitteln, die für das Vorfahrtszenario gelten. Die Warteelement-Datenstruktur (auch als Warteelement bezeichnet) kann dann Informationen codieren, die vom Fahrzeug zum Navigieren im Vorfahrtszenario verwendet werden, wie z. B. die Geometrie der Wege, den Konkurrenzzustand und andere Informationen. Das Warteelement kann beispielsweise für einen Steueragenten des Fahrzeugs bereitgestellt werden. Der Steueragent kann in die Lage versetzt werden, das Warteelement zu verwenden, um ein Vorfahrtverhalten für das erste Fahrzeug zu bestimmen.In at least one embodiment, a give-way scenario (e.g., an intersection or T-junction give-way scenario) may be identified based at least on analysis of sensor data generated by at least one sensor of an autonomous vehicle. Map localization and/or perception may be used to determine various information related to the right-of-way scenario. For example, a first path for the autonomous vehicle and a second path for a competitor (eg, another vehicle or object) may be determined by the right-of-way scenario. At least one contention point may exist between the routes, which may indicate that a collision is possible when the routes are traversed. To determine a contention state (which defines how the vehicle should behave) of the at least one contention point, the system may determine one or more of the traffic rules that apply to the right-of-way scenario. The wait element data structure (also referred to as the wait element) can then encode information used by the vehicle to navigate the right-of-way scenario, such as: B. the geometry of the paths, the state of contention and other information. The waiting element can be provided for example for a control agent of the vehicle. The control agent may be enabled to use the wait element to to determine right-of-way behavior for the first vehicle.
Figurenlistecharacter list
Die vorliegenden Systeme und Verfahren zum Codieren von Vorfahrtsszenarien für autonome Systeme werden im Folgenden unter Bezugnahme auf die beigefügten Zeichnungsfiguren detailliert beschrieben, wobei:
-
1 ist ein Beispiel für ein Vorfahrtsszenario gemäß einigen Ausführungsformen der vorliegenden Offenbarung, gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
2 zeigt ein nicht einschränkendes Beispiel einer Datenstruktur eines Warteelements und ein nicht einschränkendes Beispiel einer Datenstruktur eines Konkurrenzzustands gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
3 zeigt ein nicht einschränkendes Beispiel einer Warteelement-Engine gemäß verschiedenen Ausführungsformen, gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
4 ist ein Flussdiagramm, das ein Verfahren zum Codieren von Vorfahrtsszenarien für autonome Fahrzeuge (z.B. ein Ego-Fahrzeug) gemäß einigen Ausführungsformen der vorliegenden Offenbarung zeigt; -
5 ist ein Flussdiagramm, das ein Verfahren zum Codieren von Vorfahrtsszenarien für autonome Fahrzeuge (z.B. ein Ego-Fahrzeug) gemäß einigen Ausführungsformen der vorliegenden Offenbarung zeigt; -
6 ist ein Flussdiagramm, das einVerfahren 600 zum Auflösen eines Konkurrenzzustandes zwischen Wegen für Fahrzeuge zeigt, gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
7A ist eine Darstellung eines beispielhaften autonomen Fahrzeugs gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
7B ist ein Beispiel für Kamerapositionen und Sichtfelder für das autonome Fahrzeug der7A , gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
7C ist ein Blockdiagramm einer beispielhaften Systemarchitektur für das beispielhafte autonome Fahrzeug der7A , gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
7D ist ein Systemdiagramm für die Kommunikation zwischen Cloud-basierten Servern und dem beispielhaften autonomen Fahrzeug der7A , gemäß einigen Ausführungsformen der vorliegenden Offenbarung; -
8 ist ein Blockdiagramm einer beispielhaften Rechenvorrichtung, die zur Verwendung beim Implementieren einiger Ausführungsformen der vorliegenden Offenbarung geeignet ist; und -
9 ist ein Blockdiagramm eines beispielhaften Datenzentrums, das zur Verwendung beim Implementieren einiger Ausführungsformen der vorliegenden Offenbarung geeignet ist.
-
1 FIG. 14 is an example of a give-way scenario, in accordance with some embodiments of the present disclosure, in accordance with some embodiments of the present disclosure; -
2 Figure 12 shows a non-limiting example of a wait item data structure and a non-limiting example of a contention state data structure, in accordance with some embodiments of the present disclosure; -
3 12 shows a non-limiting example of a wait item engine according to various embodiments, in accordance with some embodiments of the present disclosure; -
4 12 is a flow chart depicting a method for encoding give-way scenarios for autonomous vehicles (eg, a ego vehicle) according to some embodiments of the present disclosure; -
5 12 is a flow chart depicting a method for encoding give-way scenarios for autonomous vehicles (eg, a ego vehicle) according to some embodiments of the present disclosure; -
6 6 is a flow diagram depicting amethod 600 for resolving a lane contention for vehicles, according to some embodiments of the present disclosure; -
7A -
7B is an example of camera positions and fields of view for the autonomous vehicle7A , according to some embodiments of the present disclosure; -
7C 12 is a block diagram of an example system architecture for the example autonomous vehicle of FIG7A , according to some embodiments of the present disclosure; -
7D 12 is a system diagram for communication between cloud-based servers and the example autonomous vehicle of FIG7A , according to some embodiments of the present disclosure; -
8th Figure 12 is a block diagram of an example computing device suitable for use in implementing some embodiments of the present disclosure; and -
9 1 is a block diagram of an exemplary data center suitable for use in implementing some embodiments of the present disclosure.
Ausführliche BeschreibungDetailed description
Es werden Systeme und Verfahren zum Codieren von Vorfahrtsszenarien für autonome Fahrzeuge offenbart. Obwohl die vorliegende Offenbarung in Bezug auf ein beispielhaftes autonomes Fahrzeug 700 (hier alternativ als „Fahrzeug 700“ oder „Ego-Fahrzeug 700“ bezeichnet, von dem ein Beispiel in Bezug auf die
Beim normalen Betrieb eines autonomen Fahrzeugs muss ein Steueragent sowohl fahrenden als auch nicht fahrenden Hindernissen ausweichen (z. B. anderen Fahrzeugen, Fußgängern, Radfahrern, Fahrbahnbarrieren und dergleichen). Neben der Vermeidung hat ein Agent grundsätzlich die Verantwortung, anderen Verkehrsteilnehmern in bestimmten Szenarien Vorfahrt zu gewähren (z. B. „Vorfahrtbedingungen“). Solche Vorfahrtsbedingungen können an (kontrollierten und nicht kontrollierten) Kreuzungen, Fußgängerüberwegen, Einmündungen, Auf-/Abfahrten auf Autobahnen, Kreisverkehren und ähnlichem bestehen, z. B. bei der Durchfahrt von Parkhäusern und/oder Parkplätzen. Um einem anderen Verkehrsteilnehmer die Möglichkeit zu geben, die Vorfahrtsituation sicher, souverän und effizient zu überwinden, kann das Vorfahrtverhalten ein Abbremsen oder sogar ein vollständiges Anhalten des Fahrzeugs beinhalten. An einer nicht markierten Kreuzung, an der bereits ein anderes Fahrzeug angekommen ist, kann ein nachfolgendes Fahrzeug ein angemessenes Vorfahrtverhalten an den Tag legen, indem es abbremst, damit das erste Fahrzeug die Kreuzung sicher passieren kann. Ein solches Vorfahrtverhalten stellt sicher, dass das nachfolgende Fahrzeug erst in die Kreuzung einfährt, wenn das erste Fahrzeug die Kreuzung sicher verlassen hat. Unter solchen Vorfahrtsbedingungen können ein oder mehrere Verkehrsteilnehmer eine klar definierte Verpflichtung (oder Verantwortung) haben, anderen Verkehrsteilnehmern Vorfahrt zu gewähren.During normal operation of an autonomous vehicle, a control agent must avoid both moving and non-moving obstacles (e.g., other vehicles, pedestrians, cyclists, lane barriers, and the like). In addition to avoidance, an agent generally has the responsibility to give way to other road users in certain scenarios (e.g. "right of way conditions"). Such right-of-way conditions may be at (controlled and uncontrolled) intersections, pedestrian crossings, T-junctions, on/off ramps on motorways, roundabouts and the like, e.g. B. when driving through multi-storey car parks and/or parking lots. In order to give another road user the opportunity to overcome the priority situation safely, confidently and efficiently, the priority behavior can include braking or even stopping the vehicle completely. At an unmarked intersection where another vehicle has already arrived, a following vehicle may give way by decelerating to allow the first vehicle to safely pass through the intersection. Such a right-of-way behavior ensures that the following vehicle only enters the intersection when the first vehicle has safely left the intersection. Under such give-way conditions, one or more road users may have a clearly defined obligation (or responsibility) to give way to other road users.
Vorfahrtsverhalten stellt einen Nutzen über die reine Vermeidung von Kollisionen bereit. Richtiges Vorfahrtsverhalten kann eine „höfliche und erwartete“ Fahrdynamik gewährleisten, die für einen sicheren und effizienten Verkehr erforderlich ist. Selbst wenn beispielsweise ein Agent bei Vorfahrt eine mögliche Kollision vermeidet (z. B. indem er an einer Kreuzung beschleunigt), führt das Nichtvorhandensein einer Vorfahrt zu angespannten und unruhigen Fahrbedingungen für alle Verkehrsteilnehmer in diesem Bereich. Selbst wenn man beschleunigt, um einen Zusammenstoß zu vermeiden, kann ein nicht vorfahrtsberechtigtes Fahrzeug bei anderen Fahrern, Radfahrern und Fußgängern Angst, ein Gefühl der Gefahr und Wut (z. B. Wut auf die Straße) hervorrufen. Das heißt, selbst wenn eine Kollision durch aggressives Verhalten vermieden wird, wurde die Kollision nicht auf „sichere und höfliche Weise“ vermieden, wie es von anderen Verkehrsteilnehmern erwartet wird. Dementsprechend kann beim Betrieb eines autonomen Fahrzeugs ein Agent für das autonome Fahrzeug verpflichtet sein (z. B. entweder rechtlich oder normativ), eine oder mehrere verhaltensbezogene Vorfahrtstrategien anzuwenden, wenn er sich einem Vorfahrtszenario nähert.Right-of-way behavior provides a benefit beyond mere collision avoidance. Right-of-way behavior can ensure “polite and expected” driving dynamics, which are necessary for safe and efficient traffic. For example, even if a right-of-way agent avoids a potential collision (e.g., by accelerating at an intersection), the lack of right-of-way creates tense and uneasy driving conditions for all road users in the area. Even when accelerating to avoid a collision, a vehicle that does not have the right of way can create fear, a sense of danger, and anger (e.g., road rage) in other drivers, cyclists, and pedestrians. That is, even if a collision is avoided through aggressive behavior, the collision was not avoided in a "safe and courteous manner" as expected by other road users. Accordingly, in the operation of an autonomous vehicle, an agent for the autonomous vehicle may be required (e.g., either legally or normatively) to employ one or more behavioral right-of-way strategies when approaching a right-of-way scenario.
Die Offenbarung sieht teilweise eine „Warteelement-Engine“ eines autonomen Fahrzeugs („Ego-Fahrzeug“) vor, die aktiv das Eintreffen eines oder mehrerer Vorfahrtszenarien überwachen kann (z. B. wenn das Fahrzeug an einer Kreuzung ankommt, wenn das Fahrzeug eine Auf-/Abfahrt bewältigt oder wenn das Fahrzeug sich auf einen Spurwechsel vorbereitet). Die Warteelement-Engine kann eine oder mehrere „Warteelement“-Datenstrukturen erzeugen, die eine Darstellung des Vorfahrtszenarios codieren. Die Warteelemente können als Eingabe für einen „Vorfahrtsplaner“ für das Ego-Fahrzeug bereitgestellt werden. Beispiele für Vorfahrtszenarien sind Kreuzungen (z. B. Einmündungen) und Einmündungen (z. B. Einmündungen von Fahrspuren an Auf- und Abfahrten). Jedes Vorfahrtszenario kann mit mindestens zwei Akteuren verbunden sein: dem Ego-Fahrzeug und mindestens einem Konkurrenten (z. B. einem anderen Fahrzeug, Fußgänger, Radfahrer usw.). Ein Konkurrent kann ein anderes Fahrzeug (z. B. ein autonomes, halbautonomes und/oder ein konventionelles, manuell betriebenes Fahrzeug) sowie Personen (Fußgänger und Radfahrer) sein.The disclosure provides in part for an autonomous vehicle (“ego vehicle”) “waiting element engine” that can actively monitor the arrival of one or more right-of-way scenarios (e.g., when the vehicle arrives at an intersection, when the vehicle has an on -/downhill or when the vehicle is preparing to change lanes). The wait element engine may generate one or more "wait element" data structures that encode a representation of the right-of-way scenario. The waiting elements can be provided as input to a "priority planner" for the ego vehicle. Examples of priority scenarios are intersections (e.g. junctions) and junctions (e.g. junctions of lanes at on- and off-ramps). Each right-of-way scenario can involve at least two actors: the ego vehicle and at least one competitor (eg, another vehicle, pedestrian, cyclist, etc.). A competitor can be another vehicle (e.g., an autonomous, semi-autonomous, and/or a conventional manually operated vehicle) and people (pedestrians and cyclists).
In verschiedenen Ausführungsformen kann ein Vorfahrtszenario mit mehr als einem Konkurrenten verbunden sein (z. B. das Ego-Fahrzeug, das sich einer Kreuzung mit mehreren anderen Fahrzeugen nähert, Fußgänger und/oder Radfahrer an einer Kreuzung, das Ego-Fahrzeug, das in eine Fahrspur mit mehreren anderen Fahrzeugen einfährt, usw.). Jeder Akteur, der mit einem Vorfahrtszenario verbunden ist, kann mit einem oder mehreren „potentiellen Wegen“ oder Fahrspuren verbunden sein. Für einen Akteur eines Vorfahrtszenarios können die potentiellen Wege oder Fahrspuren den Satz aktueller oder möglicher räumlicher Wege umfassen, die z. B. durch die aktuellen Koordinaten des Akteurs in einem Raum-Geschwindigkeits-Phasenraum gegeben sind. So kann der potentielle Weg eines Akteurs nicht nur von seinen aktuellen Raum- und Geschwindigkeitskoordinaten abhängen, sondern auch von den Beschränkungen des Fahrzeugs (oder der Person oder des Unternehmens) in Bezug auf Beschleunigung, Verzögerung (z. B. Bremsleistung) und Manövrierfähigkeit (z. B. Kurvenradius, Traktionskontrolle usw.).In various embodiments, a give-way scenario may involve more than one competitor (e.g., the ego vehicle approaching an intersection with multiple other vehicles, pedestrians and/or cyclists at an intersection, the ego vehicle entering a lane with several other vehicles, etc.). Each actor associated with a right-of-way scenario can be associated with one or more “potential paths” or lanes. For an actor of a right-of-way scenario, the potential paths or lanes may include the set of current or possible spatial paths e.g. B. are given by the current coordinates of the actor in a space-velocity-phase space. Thus, an actor's potential path may depend not only on its current space and velocity coordinates, but also on the vehicle's (or person's or entity's) limitations in terms of acceleration, deceleration (e.g. braking power) and maneuverability (e.g e.g. curve radius, traction control, etc.).
Wenn eine Vorfahrtsbedingung erkannt wird, kann die Warteelement-Engine Umgebungsdaten empfangen und/oder erzeugen, die aus verschiedenen Quellen stammen (z. B. On bordeigene und/oder bordexterne Sensoren und/oder Detektoren, wahrnehmungsbasierte Daten, kartenbasierte Daten, Geolokalisierungsdaten usw.) und sich auf das Vorfahrtszenario beziehen. Die Warteelement-Engine kann die verschiedenen Daten analysieren und verschmelzen sowie die Daten prüfen, analysieren und mit verschiedenen Verkehrsregeln in Bezug auf die Vorfahrt im Hinblick auf die verschmolzenen und analysierten Daten abgleichen, um verschiedene „Wartegeometrien“ und „Konkurrenzzustände“ zu erzeugen, die das Vorfahrtszenario für das Ego-Fahrzeug charakterisieren können. Beispielsweise können Daten, die die potentiellen Wege der Fahrzeuge und verschiedene Aspekte der Geometrie des Szenarios codieren, analysiert und mit einer oder mehreren Vorfahrts- oder Verkehrsregeln abgeglichen werden, um einen Konkurrenzzustand des Vorfahrtszenarios zu bestimmen (z. B. vorfahrtsberechtigt, an der Einfahrt anhalten, an der Einfahrt Vorfahrt gewähren und dergleichen). Die Wartegeometrien können in eine oder mehrere „Wartegruppen“ gruppiert werden, wobei sich eine Wartegruppe auf alle Warteelemente für ein Vorfahrtszenario beziehen kann. Die Wartegeometrien und die Konkurrenzzustände können in einer „Warteelement“-Datenstruktur codiert werden. Die Warteelement-Datenstruktur(en) kann/können einem „Vorfahrtsplaner“ des autonomen Fahrzeugs zur Verwendung bei der Steuerung des Fahrzeugs bereitgestellt werden.When a give way condition is detected, the wait element engine may receive and/or generate environmental data derived from various sources (e.g., onboard and/or offboard sensors and/or detectors, perception-based data, map-based data, geolocation data, etc.) and refer to the right-of-way scenario. The waiting element engine can parse and merge the various data, as well as inspect, analyze and match the data to various traffic rules related to right-of-way with respect to the merged and analyzed data to generate various "waiting geometries" and "states of contention" that the Can characterize priority scenario for the ego vehicle. For example, data encoding the vehicles' potential paths and various aspects of the geometry of the scenario can be analyzed and matched against one or more right-of-way or traffic rules to determine a state of contention of the right-of-way scenario (e.g., right-of-way, stop at the entrance , give way at the entrance and the like). The waiting geometries can be divided into one or more "Waiting groups pen", whereby a waiting group can refer to all waiting elements for a right-of-way scenario. The wait geometries and the contention states can be encoded in a "wait element" data structure. The queuing element data structure(s) may be provided to an autonomous vehicle "priority planner" for use in controlling the vehicle.
Der Vorfahrtsplaner kann die Datenstrukturen der Warteelemente empfangen und ein geeignetes Vorfahrtsverhalten festlegen. Wenn ein Steueragent für das Ego-Fahrzeug das festgelegte Vorfahrtsverhalten (z. B. definiert durch einen Konkurrenzzustand) annimmt, kann das Ego-Fahrzeug seine erforderlichen und erwarteten Vorfahrtsverpflichtungen sicher erfüllen und gleichzeitig Kollisionen vermeiden.The priority planner can receive the data structures of the waiting elements and determine a suitable priority behavior. When a control agent for the ego vehicle adopts the specified right-of-way behavior (e.g., defined by a contention state), the ego vehicle can safely fulfill its required and expected right-of-way obligations while avoiding collisions.
In mindestens einer Ausführungsform kann eine Warteelement-Engine verschiedene Eingabedaten empfangen und/oder erfassen, die geometriebezogene Daten, signalbezogene Daten und kartenbezogene Daten umfassen können. Das Erfassen (oder Empfangen) von Daten kann unter Verwendung von Erfassungs-, Wahrnehmungs- und/oder Erkennungstechniken erfolgen, die Geometrie oder visuelle Wahrnehmung, Kartenwahrnehmung (die Lokalisierung einschließen kann) und Signalwahrnehmung nutzen können. In mindestens einer Ausführungsform können die Wahrnehmungsdaten Fahrspurgraphen-Daten umfassen. Fahrspurgraphen-Daten können einen oder mehrere Wege enthalten, die als potentielle Wege des Ego-Fahrzeugs (z. B. Ego-Wege) und einen oder mehrere Wege, die als potentielle Wege eines oder mehrerer Konkurrenten (z. B. Konkurrenten-Wege) zugewiesen werden können. Andere Eingabedaten können verschiedene Sensor-Rohdaten des Ego-Fahrzeugs oder der Konkurrenten umfassen. Geometrie-Eingabedaten können verschiedene Informationen über die Geometrie der Umgebung enthalten, die auf die potentiellen Wege im Zusammenhang mit dem Vorfahrtsszenario und/oder dem Hintergrundkontext angewendet werden. Signaleingabedaten können Verkehrssignale wie Ampeln, Verkehrsschilder, Stoppschilder, Vorfahrtsschilder, Vorfahrtsschilder wie Hauptstraßenschilder, Geschwindigkeitsschilder sowie Handzeichen oder andere Körperhaltungen, die zur Signalisierung des Verkehrs verwendet werden, enthalten und/oder codieren.In at least one embodiment, a queuing element engine may receive and/or collect various input data, which may include geometry-related data, signal-related data, and map-related data. Capturing (or receiving) data may be done using detection, perception, and/or recognition techniques, which may utilize geometry or visual perception, map perception (which may include localization), and signal perception. In at least one embodiment, the perception data may include lane graph data. Lane graph data may include one or more paths designated as potential paths of the ego vehicle (e.g., ego paths) and one or more paths designated as potential paths of one or more competitors (e.g., competitor paths). can be assigned. Other input data may include various raw sensor data from the ego vehicle or the competitors. Geometry input data may include various information about the geometry of the environment that is applied to the potential paths associated with the right-of-way scenario and/or the background context. Signal input data may include and/or encode traffic signals such as traffic lights, traffic signs, stop signs, give way signs, give way signs such as main road signs, speed signs, and hand signals or other postures used to signal traffic.
In verschiedenen Ausführungsformen kann für jede mögliche Paarung eines potentiellen Wegs eines Ego-Fahrzeugs und eines potentiellen Wegs eines Konkurrenten eine Warteelement-Datenstruktur erzeugt werden. In nicht einschränkenden Beispielen von Vorfahrtsszenarien ist ein Vorfahrtsszenario mit einem Ego-Fahrzeug und j Konkurrenten verbunden, wobei j eine positive ganze Zahl ist. Das Ego-Fahrzeug kann mit i potentiellen Wegen und jeder der j Konkurrenten mit k potentiellen Wegen assoziiert sein, wobei i und k ebenfalls positive ganze Zahlen sind. In einem solchen Beispiel kann die Warteelement-Engine i × j × k separate Warteelemente erzeugen. Daher kann jedes Warteelement mit einem potentiellen Weg für das Ego-Fahrzeug und einem potentiellen Weg für den Konkurrenten verknüpft sein. Das Warteelement kann eine „Wartegeometrie“ für den Ego-Weg, eine Wartegeometrie für den Konkurrenten-Weg und eine Wartegeometrie für einen Kontext der beiden Wege codieren. Ein Warteelement kann ferner einen „Konkurrenzzustand“ zwischen den beiden Wegen codieren.In various embodiments, a queue element data structure may be created for each possible pairing of a potential path of a host vehicle and a potential path of a competitor. In non-limiting examples of right-of-way scenarios, a right-of-way scenario is associated with a ego vehicle and j competitors, where j is a positive integer. The ego vehicle may be associated with i potential paths and each of the j competitors with k potential paths, where i and k are also positive integers. In such an example, the wait element engine may generate i×j×k separate wait elements. Therefore, each waiting item can be associated with a potential path for the ego vehicle and a potential path for the competitor. The wait element may encode a "wait geometry" for the ego path, a wait geometry for the competitor path, and a wait geometry for a context of the two paths. A wait element can also encode a "contention state" between the two paths.
Kurz gesagt kann eine Wartegeometrie für einen beanspruchten Weg (z. B. einen Ego-Weg oder einen Konkurrenten-Weg) einen Satz von Feld-Wert-Paaren oder andere Datentypen oder Elemente für den Weg enthalten, die verschiedene Aspekte des beanspruchten Weges codieren. Solche Felder für die Wartegeometrie eines Weges können unter anderem Einfahrtslinien, Ausfahrtslinien, Einfahrts- und Ausfahrtsbereiche von Konkurrenten, Einfahrtslinie und Innenfläche einer Kreuzung, Konkurrenzpunkte zwischen einem Ego-Weg und einem Konkurrenten-Weg (optionale explizite Codierung eines der Kreuzungs- oder Einmündungspunkte zwischen Wegen) und Ähnliches umfassen. Der Konkurrenzzustand (z. B. der Konkurrenzzustand) eines Warteelements kann eine Anweisung an den Vorfahrtsplaner sein oder definieren, auf welche Weise das Ego-Fahrzeug in Bezug auf dieses Warteelement Vorfahrt gewähren oder die Vorfahrt wahrnehmen sollte. Zu solchen Zuständen gehören unter anderem: vorfahrtsberechtigt, an der Einfahrt anhalten, an der Einfahrt Vorfahrt gewähren und dergleichen.Briefly, a queuing geometry for a claimed path (e.g., an ego path or a competitor path) may contain a set of field-value pairs or other data types or elements for the path that encode various aspects of the claimed path. Such fields for the waiting geometry of a way can include entry lines, exit lines, entry and exit areas of competitors, entry line and interior surface of an intersection, points of contention between an ego way and a competitor way (optional explicit encoding of one of the crossing or junction points between ways ) and the like. The contention state (e.g., contention state) of a wait item may be an instruction to the priority planner or define how the ego vehicle should yield or yield the right-of-way with respect to that wait item. Such states include, but are not limited to: right of way, stop at the entrance, give way at the entrance, and the like.
In mindestens einer Ausführungsform können zur Erzeugung eines Warteelements Geometrie-Eingabedaten, die als Wartegeometriedaten bezeichnet werden können, mit den Fahrspurgraphen-Daten und den Kartendaten „verschmolzen“ werden. Die „verschmolzenen Geometriedaten“ können dann klassifiziert werden (z. B. als Linksabbiegen, Rechtsabbiegen, Wenden usw.) und mit einem oder mehreren Wegen verknüpft werden. Die Signaldaten können mit den Kartendaten verschmolzen werden. Aus den verschmolzenen Signaldaten kann ein Signalzustand (z. B. grünes Licht, rote Linie, inaktiv usw.) bestimmt werden. Die verschmolzenen, klassifizierten und zugehörigen Geometriedaten können zusammen mit den Kartendaten, dem Signalzustand und den anderen Daten als Eingabe in einen „Konkurrenzzustandslöser“ der Warteelement-Engine eingespeist werden. Der Konkurrenzzustandslöser kann die Geometrie-, Signal-, Karten- und anderen Sensordaten zusammen mit Verkehrsregeln verwenden, um einen Konkurrenzzustand zu bestimmen und die Daten in ein Warteelement aufzulösen.In at least one embodiment, input geometry data, which may be referred to as wait geometry data, may be “merged” with the lane graph data and the map data to create a wait element. The "fused geometry data" can then be classified (e.g. as left turns, right turns, U-turns, etc.) and associated with one or more paths. The signal data can be merged with the map data. A signal state (e.g. green light, red line, inactive, etc.) can be determined from the merged signal data. The merged, classified, and associated geometry data, along with the map data, signal state, and other data can be fed as input to a "state contention solver" of the waiting element engine. The contention state solver can use the geometry, signal, map, and other sensor data along with traffic rules to determine a contention state determine and resolve the data into a wait element.
Unter Bezugnahme auf
Verschiedene Ausführungsformen von Warteelement-Engines werden mindestens in Verbindung mit der Warteelement-Engine 300 der
Warteelement-Datenstrukturen, wie z. B. das Warteelement_1 110 und das Warteelement_2 120, können mit einem Paar beanspruchter Wege verknüpft sein, wobei einer der beanspruchten Wege ein beanspruchter Weg des Ego-Fahrzeugs 102 und ein anderer der gepaarten beanspruchten Wege ein beanspruchter Weg für einen Konkurrenten (z. B. einen ersten Konkurrenten 104 oder einen zweiten Konkurrenten 106) ist. Jedes Warteelement kann eine Wartegeometrie für den beanspruchten Weg des Ego-Fahrzeugs 102 (z. B. eine Ego-Wartegeometrie 112 des Warteelements_1 110 oder eine Ego-Wartegeometrie 122 des Warteelements_2 120) und eine Wartegeometrie für den beanspruchten Weg des Konkurrenten (z. B. eine Konkurrenten_1-Wartegeometrie 114 des Warteelements_1 110 oder eine Konkurrenten_1-Wartegeometrie 124 des Warteelements_120) codieren. Dementsprechend kann eine Wartegeometrie_1 110 mit einem einzigen beanspruchten Weg des Ego-Fahrzeugs 102 und einem einzigen beanspruchten Weg für den ersten Konkurrenten 104 verbunden sein (in anderen Beispielen können mehrere Wege mit einem Warteelement verbunden sein). Ebenso ist eine Wartegeometrie_2 120 mit einem einzigen beanspruchten Weg des Ego-Fahrzeugs 102 und einem einzigen beanspruchten Weg für den zweiten Konkurrenten 106 verknüpft. Es ist zu beachten, dass der beanspruchte Weg des Ego-Fahrzeugs 102, der dem Warteelement_1 110 zugeordnet ist, derselbe beanspruchte Weg des Ego-Fahrzeugs 102 sein kann (aber nicht sein muss), der dem Warteelement_2 120 zugeordnet ist. Verschiedene Ausführungsformen von Warteelementgeometrien werden in Verbindung mit mindestens
Zusätzlich zu den Wartegeometrien für ein Paar beanspruchter Wege kann jedes Warteelement eine Wartegeometrie für einen Kontext codieren (z. B. einen Wartegeometriekontext 116 des Warteelements_1 110 und einen Wartegeometriekontext 126 des Warteelements _2 120). Darüber hinaus kann jedes Warteelement einen Konkurrenzzustand für die gepaarten beanspruchten Wege codieren (z. B. den Konkurrenzzustand_1 118 des Warteelements_1 110 und einen Konkurrenzzustand_2 des Warteelements_2 120). Verschiedene Ausführungsformen von Wartegeometriekontexten und Konkurrenzzuständen werden mindestens in Verbindung mit
Allgemeiner ausgedrückt, kann ein Warteelement eine Teilmenge der Wartegeometrie eines Ego-Weges (z. B. eines beanspruchten Weges des Ego-Fahrzeugs) und der Wartegeometrie eines Konkurrenten-Weges (z. B. eines beanspruchten Weges für einen Konkurrenten des Vorfahrtsszenarios 100), einen Wartegeometriekontext und einen Konkurrenzzustand enthalten (oder codieren). Eine Ego-Wartegeometrie 112, die Konkurrenten_1-Wartegeometrie 114, der Wartegeometriekontext 116 und ein Konkurrenzzustand_1 118 (des Warteelements_1 110) können Datenobjekte und/oder Datenstrukturen sein. Ebenso können die Ego-Wartegeometrie 122, eine Konkurrenten_2-Wartegeometrie 124, ein Wartegeometriekontext 126 und ein Konkurrenzzustand_2 128 (des Warteelements_2 120) Datenobjekte und/oder Datenstrukturen sein. In verschiedenen Ausführungsformen können die Datencodierungen für diese fehlenden Elemente auf „ungültig“ und/oder „nicht anwendbar“ gesetzt werden, wenn Datenwerte (oder Elemente) eines oder mehrerer dieser Datenobjekte nicht ohne weiteres verfügbar (oder auf ein bestimmtes Vorfahrtsszenario nicht anwendbar) sind.More generally, a wait element may be a subset of the wait geometry of an ego path (e.g., a claimed path of the ego vehicle) and the wait geometry of a competitor path (e.g., a claimed path for a competitor of right-of-way scenario 100), contain (or encode) a wait geometry context and a contention state.
In einer oder mehreren Ausführungsformen bilden die Warteelemente (z. B. das Warteelement_1 110 und das Warteelement_2 120) die „Atome“ dafür, wie Informationen (oder Daten) über Wartebedingungen (z. B. das Vorfahrtsszenario 100) codiert werden können. Die Warteelemente können als Eingabe für den Vorfahrtsplaner 102 des Ego-Fahrzeugs bereitgestellt werden (in
Wenn wir unsere Aufmerksamkeit der
In verschiedenen nicht einschränkenden Ausführungsformen kann die Wartegeometrie mindestens einige ihrer Daten in Feld-Wert-Paaren codieren. Dementsprechend kann ein Satz von Feldern (z. B. Wartegeometriefelder 202) der Wartegeometrie 200 zugeordnet (oder darin codiert) sein. Jedem Feld der Wartegeometriefelder 202 können ein oder mehrere Werte zugeordnet werden, um einen Satz von Feld-Wert-Paaren zu codieren. Es ist zu beachten, dass ein Wert eine Datenstruktur oder Daten sein kann. In einigen Ausführungsformen kann ein Wert für ein bestimmtes Feld ein anderes Feld sein, so dass die Wartegeometrie 200 einen oder mehrere Datenbäume codieren kann. Wie in
Einfahrtslinien für einen Ego-Weg können einen Haltepunkt für mehrere der Vorfahrtsverhaltensweisen codieren. Einfahrtslinien können auch den Beginn des allgemeinen Konkurrenzbereichs signalisieren, der von der Ausfahrtslinie abgeschlossen wird, die angeben kann, welches Segment des Ego-Wegs geräumt werden muss, um diese Wartegruppe von Wartebedingungen zu lösen. Ein Bereich einer Innenfläche kann die Innenfläche einer Kreuzung als polygonale Fläche darstellen, die auf einen Koordinatenraum bezogen werden kann. Ein Bereich einer Innenfläche kann das Segment zwischen der Einfahrtslinie und der entsprechenden Ausfahrtslinie umfassen (manchmal kann die Ausfahrtslinie nach außen verlegt werden, z. B. über einen Fußgängerüberweg hinaus, auch wenn die Innenfläche dies nicht tut). Die Einfahrtsbereiche und das innere Gelände bieten einen Kontext für die Analyse anderer Akteure. Dies kann durch die Zuweisung von Akteuren zu Wegen und Bereichen (in einer sich nicht gegenseitig ausschließenden Weise) erfolgen. Die Geometrie der Ego- und Konkurrenten-Wege sowie der Konkurrenzpunkt können vom Vorfahrts-Planer verwendet werden, um das Vorfahrts-Verhalten nach Bedarf zu implementieren. Die Geometrie kann auch verwendet werden, um zu bestimmen, welche Regeln gelten.Entry lines for an ego path can encode a stopping point for several of the right-of-way behaviors. Entry lines can also signal the beginning of the general contention area, terminated by the exit line, which can indicate which segment of the ego path needs to be cleared in order to resolve that waiting set of waiting conditions. A region of an interior surface may represent the interior surface of an intersection as a polygonal surface that can be related to a coordinate space. A portion of an interior surface may include the segment between the entry line and the corresponding exit line (sometimes the exit line may be moved outward, e.g., past a pedestrian crossing, even though the interior surface does not). The driveways and interior grounds provide a context for analysis by other actors. This can be done by assigning actors to pathways and areas (in a non-mutually exclusive way). The geometry of the ego and competitor paths, as well as the competition point, can be used by the right-of-way planner to implement the right-of-way behavior as needed. Geometry can also be used to determine which rules apply.
In einigen Beispielen kann ein Konkurrenzpunkt einen expliziten geometrischen Punkt anzeigen oder darstellen. In anderen Beispielen kann sich ein Konkurrenzpunkt auf ein abstraktes Konzept beziehen, bei dem es sich um die besondere Konkurrenz handelt, auf die sich ein Warteelement bezieht und/oder deren Zustand es codiert. In solchen Beispielen kann der Zustand der Konkurrenz an einem Konkurrenzpunkt die Nutzdaten des gesamten Prozesses zur Auflösung des Konkurrenzzustands sein. Er kann für jeden Konkurrenzpunkt eine Bestimmung der Art und Weise liefern, in der das Ego-Fahrzeug in Bezug auf diesen Konkurrenzpunkt Vorfahrt gewähren oder nicht Vorfahrt gewähren sollte. In diesem Sinne kann der Konkurrenzpunkt auch die Wahl des Ego-Weges, den Zugang zu einem Konkurrenten-Weg und über diesen Konkurrenten-Weg, die tatsächlichen Konkurrenten und die Art und Weise, wie sich das Ego-Fahrzeug ihnen gegenüber zu verhalten hat, angeben.In some examples, a contention point may indicate or represent an explicit geometric point. In other examples, a contention point may refer to an abstract concept that is the particular contention that a wait element refers to and/or whose state it encodes. In such examples, the contention state at a contention point may be the payload of the overall contention resolution process. For each contention point, it can provide a determination of the manner in which the ego vehicle should or should not give way with respect to that contention point. In this sense, the competition point can also indicate the choice of the ego path, access to a competitor path and via this competitor path, the actual competitors and how the ego vehicle is to behave towards them .
Die Wartegeometrie kann in Gruppen zusammengefasst (z. B. logisch organisiert) werden, wobei die semantische Bedeutung einer Wartegruppe darin bestehen kann, dass alle Wartebedingungen in dieser Gruppe gemeinsam betrachtet und insbesondere gemeinsam geklärt werden können, so dass das Ego-Fahrzeug nicht dazwischen steht (z. B. sollte das Ego-Fahrzeug nicht am Ende einer Linkskurve auf Fußgänger warten müssen, während sich das Ego-Fahrzeug noch in der Spur des Gegenverkehrs befindet, so dass der Gegenverkehr zusammen mit dem Fußgängerüberweg in derselben Wartegruppe berücksichtigt werden kann).The waiting geometry can be grouped together (e.g. organized logically), with the semantic meaning of a waiting group being that all waiting conditions in this group can be considered together and, in particular, clarified together, so that the ego vehicle does not stand in between (e.g. the ego vehicle should not have to wait for pedestrians at the end of a left turn while the ego vehicle is still in the lane of oncoming traffic, so that oncoming traffic can be accounted for along with the pedestrian crossing in the same queue).
Unter Bezugnahme auf den Konkurrenzzustand 210 kann eine Warteelement-Engine, wie z. B. die Warteelement-Engine 300 der
In einigen nicht einschränkenden Ausführungsformen kann der Konkurrenzzustand 210 nicht anzeigen, was in dem Vorfahrtszenario tatsächlich geschieht, was in dem Vorfahrtszenario physikalisch möglich ist oder ob das Ego-Fahrzeug zum Vorfahrt gewähren gezwungen werden kann, obwohl es in dem Vorfahrtszenario (z. B. einem kreuzenden Vorfahrtszenario oder einem zusammenführenden Vorfahrtszenario) die Vorfahrt hat. Vielmehr kann der Konkurrenzzustand 210 angeben, was gemäß den Konventionen geschehen sollte. Es kann dann in der Verantwortung des Vorfahrtplaners liegen, tatsächlich das Gewähren der Vorfahrt zu implementieren, und zwar in dem Sinne, dass er berücksichtigt, was passieren sollte (z. B. wie im Konkurrenzzustand 210 codiert), ob das Ego-Fahrzeug tatsächlich in der Lage ist, anzuhalten und diese Anweisung zu befolgen, und ob die anderen Akteure (z. B. die Konkurrenten des Vorfahrtszenarios) ihre erwarteten Vorfahrtspflichten zu erfüllen scheinen, und entsprechende Maßnahmen ergreift. So kann der Vorfahrtsplaner z. B. feststellen, obwohl der Zustand Vorfahrtsberechtigt lautet, dass ein Konkurrent nicht die Vorfahrt gewährt, (wobei im Wesentlichen „Hupen angemessen“ erfasst wird), und beschließen, die Vorfahrt zu gewähren, obwohl dies nicht der Fall sein sollte. Der Vorfahrts-Planer kann ein Vorfahrtsverhalten implementieren, das alle Konkurrenzen in einer Wartegruppe analysiert, bis alle Warteelemente in der Gruppe gemeinsam geklärt werden können. Alle Konkurrenzen in der Wartegruppe können gemeinsam befolgt werden, d. h. die restriktivste Konkurrenz kann das erwartete Vorfahrtsverhalten des Ego-Fahrzeugs bestimmen. Wenn beispielsweise ein Zustand der Wartegruppe Vorfahrtsberechtigt und ein anderer Anhalten an der Einfahrt lautet, kann das Ego-Fahrzeug an der Einfahrtslinie bleiben.In some non-limiting embodiments, the contention state 210 may not indicate what is actually happening in the right-of-way scenario, what is physically possible in the right-of-way scenario, or whether the ego vehicle can be forced to give way even though it is in the right-of-way scenario (e.g., a crossing priority scenario or a merging priority scenario) has the right of way. Rather, the contention state 210 may indicate what should happen according to the conventions. It may then be the responsibility of the right-of-way planner to actually implement the right-of-way, in the sense that it takes into account what should happen (e.g., as encoded in the contention state 210), whether the ego vehicle is actually in is able to stop and follow this instruction and whether the other actors (e.g. the Konkur yields of the right-of-way scenario) appear to be fulfilling their expected right-of-way obligations and takes appropriate action. For example, the priority planner can For example, discovering that a competitor is not yielding the right of way when the Right of Way state is (essentially capturing "honk appropriately") and decide to yield the right of way when it should not be. The priority planner can implement a priority behavior that analyzes all contentions in a queue group until all queue items in the group can be resolved collectively. All contentions in the queue can be obeyed together, ie the most restrictive contention can determine the expected right-of-way behavior of the ego vehicle. For example, if one state of the queue is Right of Way and another state is Stop at Entry, the ego vehicle may remain at the entry line.
Wie in
Der Zustand „Am Konkurrenzpunkt Vorfahrt gewähren" kann anzeigen, dass ein vorheriges Anhalten nicht zwingend vorgeschrieben ist oder dass das Ego-Fahrzeug ausdrücklich an der Einfahrtslinie bleiben muss, während es auf die Klärung der Konkurrenz wartet (obwohl grundsätzlich nichts dagegen einzuwenden ist). Der Steueragent muss unter Umständen dafür sorgen, dass das Ego-Fahrzeug mit dieser Konkurrenz verbundenen Konkurrenten ordnungsgemäß Vorfahrt gewährt, dass das Ego-Fahrzeug die Konkurrenz nicht blockiert und dass das Ego-Fahrzeug sich so verhält, dass für die mit dieser Konkurrenz verbundenen Konkurrenten klar ist, dass das Ego-Fahrzeug Vorfahrt gewährt. Dies könnte bedeuten, dass das Ego-Fahrzeug zum Linksabbiegen an einer Kreuzung nach vorne fährt, aber langsam genug und mit genügend Abstand, dass der Gegenverkehr versteht, dass das Ego-Fahrzeug offenbar die Absicht hat, vorzufahren, und dass es dem Gegenverkehr offensichtlich nicht im Weg steht. Der Zustand „Vorübergehend am Konkurrenzpunkt Vorfahrt gewähren“ kann die vorübergehende Version des Zustands „Am Konkurrenzpunkt Vorfahrt gewähren" sein. Der Zustand Anhalten an der Einfahrt und dann an der Einfahrt Vorfahrt gewähren kann dem Zustand An der Einfahrt Vorfahrt gewähren gleichwertig (oder mindestens ähnlich) sein, jedoch mit der zusätzlichen Bedingung, dass an der Einfahrtslinie ein vorheriges Anhalten erforderlich ist. Der Zustand Anhalten an der Einfahrt dann am Konkurrenzpunkt Vorfahrt gewähren kann dem Zustand Am Konkurrenzpunkt Vorfahrt gewähren gleichwertig (oder mindestens ähnlich) sein, jedoch mit der zusätzlichen Bedingung, dass an der Einfahrtslinie ein vorheriges Anhalten erforderlich ist.The Yield at Competitive Point state may indicate that prior stopping is not mandatory, or that the ego vehicle must explicitly remain at the line of entry while awaiting competitor clarification (although there is nothing wrong with that in principle). Tax Agent may need to ensure that the ego vehicle properly yields to competitors associated with that competition, that the ego vehicle does not block the competition, and that the ego vehicle behaves in a manner that is clear to the competitors associated with that competition that the ego vehicle yields the right of way. This could mean that the ego vehicle is moving forward to make a left turn at an intersection, but slowly enough and with enough distance that oncoming traffic understands that the ego vehicle's apparent intent is to to pull ahead and that it obviously does not get in the way of oncoming traffic. The "Temporarily yield at the point of contention" state may be the temporary version of the "Give way at the point of contention" state. The stop at the entrance and then give way at the entrance condition may be equivalent (or at least similar) to the give way at the entrance condition, but with the additional stipulation that prior stopping is required at the line of entry. The stop at entry then give way at contention point condition may be equivalent (or at least similar) to the give way at contention point condition, but with the additional stipulation that prior stopping is required at the line of entry.
Der Zustand Vorübergehend Anhalten an der Einfahrt dann am Konkurrenzpunkt Vorfahrt gewähren kann die vorübergehende Version des Zustands Anhalten an der Einfahrt dann am Konkurrenzpunkt Vorfahrt gewähren sein. Der Zustand Wer zuerst anhält, hat Vorrang kann der kanonische Fall des „US-Multiway-Stops“ sein. Die Vorfahrt kann als First-in-first-out-Warteschlange festgelegt werden, wobei „in“ definiert ist als das Herankommen an die Kreuzung (wahrscheinlich im entsprechenden Konkurrenten-Bereich an der Einfahrtslinie, die in die Innenfläche zeigt) als erster Akteur aus diesem Konkurrenten-Weg und das Anhalten. Mit anderen Worten, kann dieser Konkurrenzzustand eine weitere Verarbeitung von „wer hat zuerst angehalten“ implizieren, um tatsächlich in einen Zustand Vorfahrtsberechtigt oder Vorfahrt gewähren für jeden Akteur zu münden, der mit diesem Konkurrenten-Weg verbunden ist.The Temporarily stop at the entry then give way at the point of contention condition may be the temporary version of the condition Stop at the entrance then give way at the competition point. The first-stop-priority condition may be the canonical case of the "US multiway stop". Right-of-way can be defined as a first-in-first-out queue, where "in" is defined as arriving at the intersection (probably in the relevant competitor's area at the entry line pointing into the interior surface) as the first actor out of it Competitor Walk and Stopping. In other words, this contention state may imply further processing of "who stopped first" to actually result in a Yield or Yield state for each actor connected to that contention path.
Der Zustand Verhandeln kann anzeigen, dass es keine bekannte Grundlage für die Bestimmung der Vorfahrt gibt, wie z. B. bei einer Autobahneinmündung, für die es keine Anhaltspunkte aufgrund von Verkehrsregeln, Kartenstatistiken, der Geometrie oder der Größe der Straße gibt (gleich große Autobahnen, die zusammengeführt werden und eine ähnlich gerade Form haben). Der Zustand Anhalten an der Einfahrt und dann Verhandeln kann dem Zustand Verhandeln gleichwertig (oder mindestens ähnlich) sein, jedoch mit der zusätzlichen Bedingung, dass an der Einfahrtslinie ein vorheriges Anhalten erforderlich ist. Dieser Zustand kann verwendet werden, wenn es keine Konvention gibt, die eingehalten werden muss, aber eine klare Einfahrtslinie vorhanden ist. Der Zustand Nicht erlaubt kann verwendet werden, um eine Codierung zu ermöglichen, dass etwas nicht erlaubt ist. Beispielsweise könnte das Warteelement einen Weg zum Linksabbiegen über den Verkehr auf einen Parkplatz enthalten, und es könnten Signale vorhanden sein, die anzeigen, dass das Abbiegen verboten ist (z. B. über eine durchgezogene doppelte gelbe Linie). In diesem Fall kann das Ego-Fahrzeug so vorgehen, dass es (den anderen Verkehrsteilnehmern) nicht nur signalisiert, dass der Zustand jetzt anzuhalten ist, sondern auch, dass er sich nie ändern wird, da er einfach nicht erlaubt ist. Dieser Zustand kann für den Vorfahrtsplaner nützlich sein, da er mehrere Möglichkeiten der Ego-Wegwahl in Betracht zieht (z. B. können mehrere Ego-Wege gleichzeitig in Betracht gezogen werden). Der Zustand Anhalten und Übernahme anfordern kann anzeigen, dass das Ego-Fahrzeug auf etwas gestoßen ist, das außerhalb des Betriebsentwurfsbereichs liegt (z. B. können Signale erkannt worden sein, die eine Baustelle anzeigen, oder ein Warnposten, und das Ego-Fahrzeug hat die Handhabung einer solchen Bedingung noch nicht implementiert). In solchen Zuständen kann der Steueragent (oder der Vorfahrtsplaner) das Ego-Fahrzeug zu einer deutlichen Verlangsamung oder zum Anhalten auffordern und die Übernahme des Fahrzeugs verlangen. Der Zustand Unbekannt kann zur Codierung von Vorhersagen für künftige Konkurrenzsituationen verwendet werden, wobei es sinnvoll sein kann, zu codieren, dass es keine Kenntnisse oder Vorhersagen gibt.The Negotiating state may indicate that there is no known basis for determining the right of way, such as B. at a motorway junction, for which there are no clues based on traffic rules, map statistics, the geometry or the size of the road (motorways of the same size that merge and have a similar straight shape). The state of stopping at the entry and then negotiating may be equivalent (or at least similar) to the state of negotiating, but with the additional stipulation that a prior stop is required at the line of entry. This state can be used when there is no convention to be followed but there is a clear line of entry. The Not Allowed state can be used to enable coding that something is not allowed. For example, the waiting element could include a path to turn left across traffic into a parking lot, and there could be signals indicating that the turn is prohibited (e.g., via a solid double yellow line). In this case, the ego vehicle can act by not only signaling (to other road users) that the condition is to stop now, but also that it will never change, as it is simply not allowed. This state can be useful for the right-of-way planner as it considers multiple ego path choices (e.g., multiple ego paths may be considered simultaneously). The Stop and Request Takeover state may indicate that the ego vehicle has encountered something outside of the operational design area (e.g. signals indicating a roadworks, or a warning post may have been detected and the ego vehicle has handling of such a condition is not yet implemented). In such states, the control agent (or the precedent planner) may request the ego vehicle to significantly slow down or stop and request vehicle takeover. The Unknown state can be used to encode predictions for future contentions, where it may be useful to encode that there is no knowledge or prediction.
Die Warteelement-Engine 300 kann einen Wartegeometrie-Wahrnehmer 302, einen Kartographen 304, einen Signalwahrnehmer 306, einen Fahrspurschreiber 350 und/oder einen anderen Sensordatenempfänger 308 umfassen. Der Wartegeometrie-Wahrnehmer 302, der Kartograph 204, der Signalwahrnehmer 306, der Fahrspurschreiber 250 und der andere Sensordatenempfänger 308 empfangen verschiedene Eingaben, wie unten beschrieben. Die Warteelement-Engine 300 kann ferner einen Wartegeometrie-Verschmelzer 322, einen Geometrie-Klassifikator 324 und einen Geometrie-Assoziator 326 umfassen. Die Warteelement-Engine 300 kann auch einen Signal-Verschmelzer 328, einen Signalzustandsschätzer 330 und den Konkurrenzzustandslöser 340 umfassen. Der Konkurrenzzustandslöser 340 kann einen Bedingungsprüfer 342, einen Basisregel-Parser 344, einen Abbildungsregelprüfer 346 und einen Warteelement-Verschmelzer 348 umfassen. Das ausgegebene Warteelement 310 kann eine Ego-Wartegeometrie 312, eine Konkurrenten-Wartegeometrie 314, eine Kontext-Wartegeometrie 316 und einen Konkurrenzzustand 318 enthalten.The waiting
Der Fahrspurschreiber 350 ist im Allgemeinen für den Empfang eines oder mehrerer Fahrspurgraphen als Eingabe für die Warteelement-Engine 300 verantwortlich. Die Fahrspurgraphen können als Reaktion auf die Annäherung an und/oder die Erkennung eines Vorfahrtszenarios empfangen werden. Ein Fahrspurgraph kann einen Satz von beanspruchten Wegen aus demselben Fahrspurbündel enthalten und einen Satz von Ego-Wegen 352 und einen Satz von Konkurrenten-Wegen 354 umfassen. Die Ego-Wege 352 können aus den Ausgaben eines oder mehrerer neuronaler Netze oder anderer maschineller Lernmodelle, einer Karte und/oder Fahrzeugspuren empfangen oder erzeugt werden. Beispielsweise und ohne Einschränkung können die hierin beschriebenen maschinellen Lernmodelle jede Art von maschinellem Lernmodell umfassen, wie ein oder mehrere maschinelle Lernmodelle unter Verwendung von linearer Regression, logistischer Regression, Entscheidungsbäumen, Support-Vektor-Maschinen (SVM), Naive Bayes, k-nearest neighbor (Knn), K-means-Clustering, Random Forest, Dimensionalitätsreduktionsalgorithmen, Gradient-Boosting-Algorithmen, Markov-Zufallsfelder, neuronalen Netzen (z. B., Autoencoder, Faltungsalgorithmen, rekurrente Algorithmen, Perzeptronen, Long/Short Term Memory (LSTM), Hopfield, Boltzmann, Deep Belief, Deconvolutional, Generative Adversarial, Liquid State Machine usw.) und/oder andere Arten von maschinellen Lernmodellen.The
Die Ego-Wege 352 können im Ensemble zu einem neuen Fahrspurgraphen verschmolzen werden. Die Fahrspurgraphen können in einer Anordnung von Fahrspurgraphen strukturiert sein, was die Flexibilität bietet, jede beliebige Kombination von Fahrspurgraphen zu verwenden. Einer oder mehrere der Konkurrenten-Wege 354 können sich mit einem oder mehreren der Ego-Wege 352 an einem oder mehreren Konkurrenzpunkten überschneiden. Ein bestimmter Konkurrenzpunkt kann als einer von zwei primären Konkurrenzpunkttypen klassifiziert werden: Kreuzungskonkurrenzpunkte oder Einmündungskonkurrenzpunkte. Bei Kreuzungskonkurrenzen kann sich ein Ego-Weg beispielsweise mit einem Konkurrenten-Weg an einem einzigen Punkt (oder in einer kleinen Nachbarschaft von Punkten) kreuzen, ohne darauf beschränkt zu sein. Bei Einmündungskonkurrenzpunkten kann ein Ego-Weg auf einen Konkurrenten-Weg treffen und sich für mindestens ein Segment des Konkurrenten-Wegs mit diesem verbinden (oder umgekehrt). Die Konkurrenten-Wege 354 können aus Ausgaben eines oder mehrerer neuronaler Netze oder anderer maschineller Lernmodelle, einer Karte oder eine Kreuzungsanalyse empfangen oder erzeugt werden. Während die Ego-Wege 352 für das Ego-Fahrzeug beanspruchte Wege sind, sind die Konkurrenten-Wege beanspruchte Wege von Fahrzeugen, Fahrrädern, Fußgängern, Straßenbahnen und Zügen oder jedem anderen Akteur im Vorfahrtszenario. Wie die Ego-Wege 352 können auch die Konkurrenten-Wege 354 aus ihren Quellen (die den Quellen der Ego-Wege 352 ähnlich oder gleich sein können) zu einem Ensemble zusammengefügt werden.The
Der Wartegeometrie-Wahrnehmer 302 und der Signal-Wahrnehmer 306 können im Allgemeinen eine „Wartewahrnehmung“ durchführen. Der Wartegeometrie-Wahrnehmer 302 empfängt verschiedene geometriebezogene Eingaben (als Reaktion auf das Identifizieren und/oder Erkennung des Ego-Fahrzeugs, das sich einem Vorfahrtszenario nähert) und erzeugt eine Wartegeometrie für die Ausgabe (z. B. die Wartegeometrie 200 der
Eine Wartegeometrie (z. B. die Ego-Wartegeometrie 312 oder die Konkurrenten-Wartegeometrie 314) kann eine Geometrie und Metadaten enthalten, die sich ergeben, wenn zusätzliche Informationen über Wartebedingungen auf den Fahrspurgraphen angewendet werden. Die Wartegeometrie kann sich auf einen Ego-Weg (z. B. eine Einfahrtslinie), einen Konkurrenten-Weg (z. B. einen Konkurrentenbereich) oder auf einen Hintergrundkontext (z. B. die Innenfläche einer Kreuzung oder das Vorhandensein einer Einfahrtslinie) beziehen. Wie im Zusammenhang mit mindestens der Wartegeometrie 200 der
Ein Wert für das Einfahrtslinie-Feld für einen Ego-Weg kann den Haltepunkt des vom Ego-Fahrzeug beanspruchten Wegs für mehrere mögliche Vorfahrtsverhaltensweisen codieren. Solche Einfahrtslinien können auch den Beginn des allgemeinen Konkurrenzbereichs codieren, der von der Ausfahrtslinie abgeschlossen wird, die angeben kann, welches Segment des Ego-Wegs geräumt werden muss, um diese Wartegruppe von Wartebedingungen zu räumen. Der Bereich der Innenfläche kann die Innenfläche einer Kreuzung als polygonale Fläche darstellen. Der Bereich der Innenfläche kann das Wegsegment zwischen der Einfahrts- und der Ausfahrtslinie abdecken (manchmal wird die Ausfahrtslinie nach außen verlegt, z. B. über einen Fußgängerüberweg, obwohl die Innenfläche nicht betroffen ist). Die Einfahrtsbereiche und die Innenfläche können einen Kontext für die Analyse anderer Akteure liefern. Dies kann durch eine Hindernis-im-Weg-Analyse (OIPA) ermöglicht werden, die Akteure Wegen und Bereichen zuordnet (in einer sich nicht gegenseitig ausschließenden Weise). Die Geometrie von Ego- und Konkurrenten-Wegen sowie der Konkurrenzpunkt können vom Vorfahrtsplaner verwendet werden, um die Vorfahrt nach Bedarf zu implementieren. Die Wartegeometrie kann auch verwendet werden, um zu bestimmen, welche Regeln gelten.A value for the line-of-entry field for an ego path may encode the stopping point of the path claimed by the ego vehicle for several possible right-of-way behaviors. Such entry lines may also encode the beginning of the general contention area, terminated by the exit line, which may indicate which segment of the ego path must be cleared in order to clear that queuing group of queuing conditions. The area of the inner surface can represent the inner surface of an intersection as a polygonal surface. The area of the interior surface can cover the path segment between the entry and exit lines (sometimes the exit line is moved outwards, e.g. via a pedestrian crossing, although the interior surface is unaffected). The driveway areas and interior surface can provide context for analysis by other actors. This can be made possible through an Obstacle-in-the-Path Analysis (OIPA) that maps actors to pathways and areas (in a non-mutually exclusive manner). The geometry of ego and competitor paths, as well as the competition point, can be used by the right-of-way planner to implement the right-of-way as needed. The wait geometry can also be used to determine which rules apply.
Ein Konkurrenzpunkt kann einen expliziten geometrischen Punkt darstellen (z. B. einen Schnittpunkt eines Ego-Wegs und eines Konkurrenten-Wegs). In einigen Ausführungsformen kann ein Konkurrenzpunkt als abstraktes Konzept betrachtet werden, das die besondere Konkurrenz darstellt, auf die sich ein Warteelement bezieht und deren Zustand es codiert. In diesem letztgenannten Sinne kann der Konkurrenzzustand an einem Konkurrenzpunkt die Nutzdaten des Konkurrenzzustandsauflösungsprozesses sein (wie er von der Konkurrenzzustandslöser 340 durchgeführt wird). Der Konkurrenzzustand kann für jeden Konkurrenzpunkt die Bestimmung liefern, „in welcher Weise das Ego-Fahrzeug in Bezug auf diesen Konkurrenzpunkt die Vorfahrt gewähren oder nicht die Vorfahrt gewähren sollte. In diesem Sinne kann der Konkurrenzpunkt bei einer Wahl des Ego-Wegs durch Zugriff auf einen Konkurrenten-Weg und über diesen Konkurrenten-Weg auch die tatsächlichen Konkurrenten und die Art und Weise angeben, wie das Ego-Fahrzeug in Bezug auf sie vorgehen sollte.A competition point may represent an explicit geometric point (e.g., an intersection of an ego path and a competitor path). In some embodiments, a contention point can be viewed as an abstract concept that represents the particular contention that a wait element refers to and whose state it encodes. In this latter sense, the contention state at a contention point may be the payload of the contention state resolution process (as performed by the contention state solver 340). The contention state can provide, for each contention point, the determination of "how the ego vehicle should yield or not yield the right-of-way with respect to that contention point. In this sense, when choosing the ego path, by accessing a competitor path and through that competitor path, the contention point may also indicate the actual competitors and how the ego vehicle should act in relation to them.
Die Wartegeometrie kann in einer oder mehreren Wartegruppen zusammengefasst werden, wobei die semantische Bedeutung einer Wartegruppe darin besteht, dass alle Wartebedingungen in dieser Gruppe gemeinsam zu berücksichtigen sind und insbesondere gemeinsam geklärt werden können, so dass das Ego-Fahrzeug nicht dazwischen steht (z. B. darf das Ego-Fahrzeug nicht am Ende einer Linkskurve auf Fußgänger warten, während sich das Ego-Fahrzeug noch in der Spur des Gegenverkehrs befindet, so dass der Gegenverkehr zusammen mit dem Fußgängerüberweg in derselben Wartegruppe berücksichtigt werden muss).The waiting geometry can be summarized in one or more waiting groups, with the semantic meaning of a waiting group being that all waiting conditions in this group have to be taken into account together and, in particular, can be clarified together, so that the ego vehicle does not stand in the way (e.g The ego vehicle must not wait for pedestrians at the end of a left turn while the ego vehicle is still in the lane of oncoming traffic, so the oncoming traffic must be considered together with the pedestrian crossing in the same waiting group).
Der Kartograph 304 kann als Reaktion auf das Identifizieren und/oder Erfassen des Ego-Fahrzeugs, das sich einem Vorfahrtszenario nähert, Kartendaten empfangen (z. B. mindestens basierend auf der Kartenlokalisierung). Die Kartendaten können eine oder mehrere 2D- oder 3D-Karten der Umgebung des bevorstehenden Vorfahrtszenarios enthalten. Der Signalwahrnehmer 306 empfängt signalbezogene Daten als Reaktion auf das Identifizieren und/oder Erfassen des Ego-Fahrzeugs, das sich einem Vorfahrtszenario nähert. Die signalbezogenen Daten können Signaldaten enthalten, Anzeigen von Ampeln und Verkehrsschilder, z. B. Stoppschilder, Vorfahrtsschilder, wie Hauptstraßenschilder, sowie Geschwindigkeitsschilder codieren. Die Signaldaten können auch die von einem oder mehreren neuronalen Netzen oder anderen maschinellen Lernmodellen erzeugten Ausgaben codieren, z. B. ob es sich bei einer Kreuzung um eine Kreuzung mit Verkehrszeichen, eine Kreuzung mit Stoppschildern, eine unmarkierte Kreuzung, einen Kreisverkehr, eine Autobahnauffahrt, eine Mautstelle oder einen anderen Typ handelt. Signaldaten können Anzeigen von Polizisten, Warnposten oder Straßenarbeiter enthalten, die den Verkehr regeln, Schranken, die den Weg versperren, und Ampeln an einem Fußgängerüberweg. Die Signaldaten können Anzeigen von Verkehrsleitkegeln, Zusammenführungspfeilen und alle temporären Elemente enthalten, die auf der Straße aufgestellt werden, um den Verkehr umzuleiten. In verschiedenen Ausführungsformen kann der Signalwahrnehmer 306 das Vorhandensein eines Signals und dessen Zustand unterscheiden. Der Signalwahrnehmer 306 kann eine Live-Signalwahrnehmung durchführen, die sowohl das Vorhandensein als auch den Zustand eines Signals liefert (z. B. es gibt eine Ampel an diesen 2D- oder 3D-Koordinaten und ihr aktueller Zustand ist gelb). In einigen Ausführungsformen kann eine Karte (z. B. eine vom Kartographen 304 empfangene Karte) Informationen über das wahrscheinliche Vorhandensein und/oder die Position eines Signals enthalten, wie z. B. das Vorhandensein einer Ampel oder eines Stoppschilds, während der Zustand des Signals, wie z. B. der Zustand einer Ampel, durch Live-Wahrnehmung (oder Infrastruktur-zu-Fahrzeug-Kommunikation) über den Signalwahrnehmer 306 bereitgestellt werden kann. Die Signalerfassung (über den Signalwahrnehmer 306) kann das Vorhandensein, die Art und die räumlichen Eigenschaften eines Signals liefern, z. B. die 3D-Position und das Begrenzungsrahmen einer Ampel oder eines Verkehrszeichens oder eines Polizisten, der den Verkehr erfasst.The
Der Wartegeometrie-Verschmelzer 322 kann die Kartendaten vom Kartographen 304 mit den Geometriedaten (z. B. Warteelemente) vom Wartegeometrie-Wahrnehmer 302 über einen Prozess „verschmelzen“ oder kombinieren, der als Wartegeometrie-Verschmelzung bezeichnet wird. Die Wartegeometrie-Verschmelzung kann optional durchgeführt werden, um verbesserte Geometrieinformationen aus einer Kombination von Live-Wahrnehmung (z. B. Echtzeit-Geometriewahrnehmung, wie sie vom Wartegeometrie-Wahrnehmer 302 durchgeführt wird) und den Karteninformationen (wie sie vom Kartographen 304 empfangen und/oder bereitgestellt werden) zu erhalten. Beispielsweise kann der Wartegeometrie-Wahrnehmer 302 das Vorhandensein einer Kreuzung durch Live-Wahrnehmung (z. B. in Echtzeit) erkennen. Auf einer Karte kann die Kreuzung auch in den Kartendaten vermerkt sein. In einigen Ausführungsformen können die Karten- und Geometriedaten verschmolzen werden, um eine Kreuzung zu instanziieren, wenn sie in einer der Quellen vorhanden ist, und um die Erkennungen zu verknüpfen, wenn sie in beiden Quellen vorhanden sind. In ähnlicher Weise können Einfahrtslinien in Echtzeit erkannt werden (über den Wartegeometrie-Wahrnehmer 302) und/oder in einer Karte bereitgestellt werden (über den Kartographen 304), mindestens basierend auf früheren Kartenströmen, die Live-Erkennungen oder Statistiken über tatsächliche Haltepunkte enthalten. Konkurrenten-Bereiche, Innenflächen, Weggeometrien und Konkurrenzpunkte können live erkannt und in den Kartenstrom eingefügt werden, was zukünftigen Fahrten zugutekommt. Die tatsächlichen Fahrwege (der „De-facto-Fahrspurgraph“) können auch aus mehreren Fahrten gewonnen werden. Daher kann die Wartegeometrie-Verschmelzung mehrere Quellen abgleichen und verknüpfen, um klare Wartegeometrien für weitere Verarbeitungsstufen zu liefern.The
Der Signal-Verschmelzer 328 kann die Kartendaten des Kartographen 304 mit den Signaldaten des Signalwahrnehmers 306 über einen Prozess „verschmelzen“ oder kombinieren, der als Signalverschmelzung bezeichnet wird. Die Signalverschmelzung kann eine Option zum Abgleich von Informationen aus der Live-Wahrnehmung (über die Echtzeit-Wahrnehmung des Signalwahrnehmers 306) mit Informationen aus einer Karte (empfangen und/oder bereitgestellt durch den Kartographen 304) bieten, wie beispielsweise die Unterstützung der Live-Wahrnehmung mit einer Bestätigung des Vorhandenseins einer Ampel, eines Schildes oder eines Kreuzungstyps. Ähnlich wie die Geometrieverschmelzung kann die Signalverschmelzung in einigen Ausführungsformen optional sein. Eine solche Signalverschmelzung bietet die Möglichkeit, eine Zustandsschätzung für eine schwer zu erkennende Ampel vorzunehmen, und/oder auch die Ergebnisse der Echtzeit-Signalwahrnehmung.The
Der Signalzustandsschätzer 330 ist im Allgemeinen für einen Prozess verantwortlich, der als Signalzustandsschätzung bezeichnet wird. Die Signalzustandsschätzung kann die Zustände von Ampeln, die Gesten eines verkehrslenkenden Polizisten, das „Stopp“- oder „Langsam“-Zeichen eines Warnpostens, den Zustand der Ampel an einem Fußgängerüberweg oder die Position einer den Verkehr blockierenden Schranke bestimmen und/oder bereitstellen. Das Ergebnis ist in der Regel eine Auswahl aus einer Aufzählungsklasse (z. B. grün/gelb/rot) oder mehrere in Kombination.The signal state estimator 330 is generally responsible for a process referred to as signal state estimation. The signal state estimation can determine and/or provide the states of traffic lights, the gestures of a traffic police officer directing traffic, the "stop" or "slow down" sign of a warning post, the state of the traffic light at a pedestrian crossing, or the position of a barrier blocking traffic. The result is usually a selection from an enumeration class (e.g. green/yellow/red) or a combination of several.
Der Geometrie-Klassifikator 324 ist im Allgemeinen für eine Geometrieklassifizierung zuständig. Die Geometrieklassifizierung kategorisiert Wartegeometrien in diskrete Klassen. Beispielsweise kann der Geometrie-Klassifikator 324 sowohl einen Ego-Weg (z. B. wie in der Ego-Wartegeometrie 312 codiert) als auch einen Konkurrenten-Weg (z. B. wie in der Konkurrenten-Wartegeometrie 314 codiert) in Klassifizierungen einordnen, wie z. B: „links abbiegen“, „geradeaus“, „rechts abbiegen“, „wenden“ und dergleichen. Diese Klassifizierung kann durchgeführt werden, um den Weg zu standardisieren, so dass allgemein gültige Regeln wie „Rechtsabbiegen bei Rot ist in Manhattan nicht erlaubt“ auf den Weg im Prozess zur Auflösung des Konkurrenzzustands angewendet werden können, der von der Konkurrenzzustandslöser 340 durchgeführt wird. Um eine solche Regel anzuwenden, kann der Weg in eine Klassifikation eingeordnet werden, die eine gemeinsame Sprache enthält (z. B. „rechts abbiegen“). Man beachte, dass eine solche Klassifizierung vom Kontext anderer Wege profitieren kann (z. B. könnte eine relativ gerade Form eine Rechtskurve sein, wenn sie der äußerste rechte Weg ist, während sie es nicht sein könnte, wenn es zusätzlich eine sehr scharfe Rechtskurve gibt). Die Geometrieklassifizierung kann auch für ein Warteelement bestimmen, ob das Ego oder der Konkurrent von rechts kommt.The
Die Geometrieklassifizierung kann auch auf Wegpaare angewendet werden. So kann der Geometrie-Klassifikator 324 beispielsweise feststellen, ob sich zwei Wege (z. B. ein Ego-Weg und ein Konkurrenten-Weg) kreuzen oder zusammenlaufen (wenn dies nicht explizit im Fahrspurgraphen angegeben ist), wo die Konkurrenzpunkte liegen und welche Wege von rechts kommen (um die in Europa und in einigen Fällen in den USA üblichen Rechts-vor-Links-Vorfahrtsregeln zu unterstützen). Dazu kann am Konkurrenzpunkt geprüft werden, ob die Richtungsvektoren der beiden Wege eindeutig nicht parallel sind, und wenn ja, das Vorzeichen des 2D-Vektor-Kreuzprodukts zwischen ihnen (das Vorzeichen der Determinante, die auf die 2x2-Matrix angewandt wird, die aus dem Ego-Weg-Richtungsvektor, der als oberste Zeile gestapelt ist, und dem Konkurrenten-Weg-Richtungsvektor als unterste Zeile gebildet wird). Ist das Vorzeichen positiv, kommt der Konkurrent von rechts. Man beachte, dass diese Definition bedeuten kann, dass bei einem Linksabbiegen des Ego durch den Gegenverkehr davon ausgegangen wird, dass der Gegenverkehr von rechts kommt (da dies am Konkurrenzpunkt der Fall ist). Wenn die Richtungsvektoren am Kollisionspunkt nahezu parallel sind (typischerweise, weil es sich um eine Einmündung handelt), können die Vektoren an den entsprechenden Einfahrtslinien verwendet werden.)Geometry classification can also be applied to path pairs. For example, the
Der Geometrie-Klassifikator 324 kann auch bestimmen oder aus Live-Wahrnehmungsquellen (z. B. dem Wartegeometrie-Wahrnehmer 302) konsolidieren, ob ein Konkurrenten-Weg von einer „Stichstraße“ (z. B. einer Einfahrt, einer Tankstelle oder einem Parkplatz) stammt oder „deutlich größer“ oder „deutlich kleiner“ als eine „Stichstraße“ ist. Das heißt, eine Straße kann durch den Geometrieklassifizierungsprozess klassifiziert werden (z. B. als „Stichstraße“). Der Geometrie-Klassifikator 324 kann prädikatsähnliche Klassifizierungen liefern, die die Anwendung logischer Regeln auf eine kohärente Sammlung von Einfahrtsvariablen ermöglichen. Einige dieser Informationen können über eine Wartegeometrie-Datenstruktur vielmehr direkt aus Ausgaben eines oder mehrerer neuronaler Netze oder anderer maschineller Lernmodelle stammen, anstatt eine geometrische Bestimmung zu sein.
Der Geometrie-Klassifikator 324 kann auch bestimmen, ob ein Weg eine Eigenschaft hat, wie z. B., aber nicht beschränkt auf: „kreuzt eine Linie“, was eine explizite Bestimmung sein kann, ob der Weg eine Linie kreuzt (z. B. kann ein Weg als „kreuzt eine Linie“ klassifiziert werden). Eine solche Klassifizierung kann als Anhaltspunkt für einige Regeln verwendet werden, wenn die Priorität unklar ist, wie zu entscheiden ist. Wenn z. B. zwei konkurrierende und ansonsten gleichwertige Strecken miteinander konkurrieren, aber eine eine Linie kreuzt und die andere nicht, kann die Strecke, die keine Linie kreuzt, Vorrang haben. Ein Weg, der nach links in den Gegenverkehr abbiegt, kann mit den Eigenschaften „kreuzt eine gestrichelte Linie“, „kreuzt eine durchgezogene Linie“ oder „kreuzt eine durchgezogene doppelt gelbe Linie“ klassifiziert werden, so dass länderspezifische Regeln angewendet werden können, um zu bestimmen, ob dies erlaubt ist oder nicht. Der Geometrie-Klassifikator 324 kann auch eine Variable, wie z. B. „Kreuzung“, für eine Wartegruppe (und damit für jedes Warteelement) auf wahr oder falsch setzen. Dies kann auch dazu verwendet werden, bestimmte Regeln auszulösen (z. B. um zu unterscheiden, wie ein Fußgängerüberweg behandelt wird, wenn er an eine Kreuzung angrenzt und wenn er nicht angrenzt).The
Der Geometrie-Assoziator 326 kann Signale mit Wegen durch einen Prozess verknüpfen, der als Geometrieassoziierung bezeichnet wird. Die Geometriezuordnung bestimmt, welche Signale auf einen Weg zutreffen. Damit können Fragen beantwortet werden wie: „Ist diese Ampel nahe genug an diesem Weg, um für ihn zu gelten? Ist diese Ampel die nächstgelegene/relevanteste dieses Typs für diesen Weg? Ist dieses Zeichen für diesen Weg bestimmt?“ Bei der Assoziation von Ampel und Weg kann es schwierig sein, diese von den Regeln zu trennen, da es beispielsweise schwierig sein kann, zu wissen, ob eine Ampel für einen Linksabbieger gilt, und dann leuchtet ein grüner Pfeil auf, der die Mehrdeutigkeit auflöst. Man beachte auch, dass diese Analyse oft davon profitiert, dass alle Signale und Wege gemeinsam betrachtet werden. So kann beispielsweise eine nach rechts versetzte Ampel in einem Fall, in dem es keinen anderen Weg gibt, für einen Ego-Weg gelten, in einem anderen Fall, in dem es einen Weg weiter rechts gibt, jedoch nicht. Ebenso kann eine nach rechts versetzte Ampel in einem Fall, in dem es keine andere Ampel gibt, auf einen Ego-Weg zutreffen, in einem anderen Fall, in dem es eine Ampel genau über dem Weg gibt, jedoch nicht. Daher kann die Geometrieassoziation die gesamte Szene sowie bei Bedarf auch Signalzustände (oder sogar ursprüngliche Sensordaten) berücksichtigen. Aus demselben Grund kann die Architektur es ermöglichen, dass die vom Geometrie-Klassifikator 324 durchgeführte Geometrieklassifizierung und die vom Geometrie-Assoziator 326 durchgeführte Geometrieassoziation gemeinsam ablaufen und Zugang zu Wartegeometrie, Signalen und sogar ursprünglichen Sensordaten haben. In diesem Sinne kann der Prozess Verbindungen zwischen Signalen wie Ampeln und Schildern und Wegen zuordnen. In mindestens einer Ausführungsform kann die Geometriezuordnung zunächst prüfen, ob sich eine Ampel oder ein Schild überhaupt in einer Entfernung befindet, die eine Verbindung zu einem Weg zulässt, und dann, wenn dies der Fall ist, die nächstgelegene (in gewissem Sinne) Ampel oder das nächstgelegene (in gewissem Sinne) Schild jedes zutreffenden Typs finden und eine Prioritätsreihenfolge festlegen (z. B. hat eine Linksabbiegerampel die höchste Priorität für einen Linksabbieger, aber die nächstgelegene reguläre Ampel gilt auch, obwohl sie zweite Priorität hat). Man beachte, dass sich die Zuordnung augenblicklich ändern kann, wenn eine Ampel ihren Zustand ändert und eine Form der Mehrdeutigkeit auflöst.
Die Ausgaben des Wartegeometrie-Verschmelzers 322, des Kartographen 304, des Signalzustandsschätzers 330, des Geometrie-Klassifikators 324, des Geometrie-Assoziators 326 und des anderen Sensordatenempfängers 308 können (als Eingaben) in den Konkurrenzzustandslöser 340 eingespeist werden. Der Konkurrenzzustandslöser 340 kann einen Prozess durchführen, der als Konkurrenzzustands-Auflösungsprozess bezeichnet wird. Das Ziel des KonkurrenzzustandsAuflösungsprozesses kann darin bestehen, einen Konkurrenzzustand (z. B. den Konkurrenzzustand 318) für das Warteelement 310 (und/oder andere Warteelemente) bereitzustellen. Der Konkurrenzzustand 318 des Warteelements 310 kann eine Anweisung an den Vorfahrtsplaner darüber sein, in welcher Weise das Ego-Fahrzeug in Bezug auf dieses Warteelement Vorfahrt gewähren oder die Vorfahrt wahrnehmen sollte, und zwar als eine Frage der Regel, der Erwartung, der formellen oder informellen Konvention oder Norm. In einigen nicht einschränkenden Ausführungsformen gibt der Konkurrenzzustand 318 möglicherweise nicht an, was in dem Vorfahrtszenario tatsächlich geschieht, was in dem Vorfahrtszenario physikalisch möglich ist oder ob das Ego-Fahrzeug gezwungen werden kann, die Vorfahrt zu lassen, obwohl es in dem Vorfahrtszenario (z. B. einem Kreuzungs-Vorfahrtszenario oder einem EinmündungsVorfahrtszenario) die Vorfahrt hat. Vielmehr kann der Konkurrenzzustand 318 angeben, was gemäß den Konventionen geschehen sollte. Es kann in der Verantwortung des Vorfahrtsplaners liegen, das Gewähren der Vorfahrt tatsächlich zu implementieren, und zwar in dem Sinne, dass er prüft, was passieren sollte (z. B. wie im Konkurrenzzustand 318 codiert), ob das Ego-Fahrzeug tatsächlich in der Lage ist, anzuhalten und diese Anweisung zu befolgen, und ob die anderen Akteure (z. B. die Konkurrenten des Vorfahrtszenarios) ihre erwarteten Vorfahrtspflichten zu erfüllen scheinen, und entsprechende Maßnahmen ergreifen. Mit anderen Worten kann der Vorfahrtsplaner feststellen, dass obwohl der Zustand Vorfahrtsberechtigt lautet, ein Konkurrent nicht die Vorfahrt gewährt, (wobei im Wesentlichen „Hupen angemessen“ erfasst wird), und beschließen, die Vorfahrt zu gewähren, obwohl dies nicht der Fall sein sollte. Der Vorfahrtsplaner kann ein Vorfahrtsverhalten implementieren, das alle Konkurrenzen in einer Wartegruppe analysiert, bis alle Warteelemente in der Gruppe gemeinsam geklärt werden können. Alle Konkurrenzen in der Wartegruppe können gemeinsam erfüllt werden, d. h. die restriktivste Konkurrenz kann das erwartete Vorfahrtsverhalten des Ego-Fahrzeugs bestimmen. Wenn beispielsweise ein Zustand der Wartegruppe „Vorfahrt gewähren“ und ein anderer „Anhalten an der Einfahrt“ lautet, kann das Ego-Fahrzeug an der Einfahrtslinie bleiben. Der Konkurrenzzustand 318 kann ähnlich wie der Konkurrenzzustand 210 in
Der Prozess zur Auflösung des Konkurrenzzustands des Konkurrenzzustandslösers 340 kann mindestens auf grundlegenden „Verkehrsregeln“ (oder „Basisregeln“) beruhen, die von Land zu Land, von Staat zu Staat, von Region zu Region und dergleichen variieren können. Bei den Basisregeln kann es sich um grundlegende logische Regeln handeln, die für die Wartegeometrien (z. B. die Ego-Wartegeometrie 312 und die Konkurrenten-Wartegeometrie 314) und Signale gelten, nachdem sie durch einen Geometrieklassifizierungsprozess (z. B. über den Geometrie-Klassifikator 324) und den Geometrieassoziationsprozess (z. B. über den Geometrie-Assoziator 326) auf den Zustand grundlegender Aufzählungsvariablen reduziert worden sind. Nach diesen Reduktionen kann jedes Warteelement einen wohldefinierten Satz von Geometrieklassen und Signalzuständen aufweisen, die für die Wartegeometrie gelten. Zusätzlich zu den Basisregeln kann der Prozess zur Auflösung von Konkurrenzen auch „Zuordnungsregeln“ verwenden. Eine Zuordnungsregel kann ein Warteelement (z. B. das Warteelement 310) und eine Anordnung von Vorschlagspaaren enthalten, die mit den Konkurrenzzuständen verknüpft sind.The contention state resolver 340 process for resolving the contention state may be based on at least basic “traffic rules” (or “base rules”) that may vary from country to country, state to state, region to region, and the like. The base rules may be basic logical rules that apply to the waiting geometries (e.g.,
Jede Proposition kann von einer beliebigen Anzahl von Signalzuständen abhängig gemacht werden (keine Abhängigkeit von einem Signalzustand ist ebenfalls zulässig). Der Konkurrenzzustand und/oder die zugehörige Proposition kann mit dem angegebenen Konkurrenzzustand gepaart werden, wenn die Proposition als wahr bewertet wird. Die Semantik der Abbildungsvorschrift kann darin bestehen, dass jede der Propositionen der Reihe nach ausgewertet wird und die erste Proposition, die als wahr ausgewertet wird, den Konkurrenzzustand definiert. Der Zustand, der bereits im Warteelement enthalten ist, kann als Standardkonkurrenzzustand betrachtet werden, der ausgewählt wird, wenn keine der Propositionen als wahr bewertet wird. Der Bedingungsprüfer 342 des Konkurrenzzustandslösers 340 kann im Allgemeinen für die Durchführung solcher Bewertungen und die Verknüpfung von Propositionen zuständig sein.Each proposition can be made dependent on any number of signal states (no signal state dependency is allowed either). The contention state and/or the associated proposition can be paired with the specified contention state if the proposition evaluates to true. The semantics of the mapping rule can be that each of the propositions is evaluated in turn and the first proposition that evaluates to true defines the contention state. The state already contained in the wait element can be regarded as the default contention state, which is selected if none of the propositions evaluate to true. In general, the constraint checker 342 of the contention state solver 340 may be responsible for performing such evaluations and linking propositions.
In mindestens einer Ausführungsform kann der Bedingungsprüfer 342 im Allgemeinen bestimmen, welche Signale gültig oder ungültig (oder aktiv oder inaktiv) sind, mindestens basierend auf einer oder mehreren wahrgenommenen und/oder ermittelten Bedingungen der Umgebung. Beispielsweise können einige Schilder in Abhängigkeit von den Wetterbedingungen (z. B. Regen, Schnee, Nebel, Wind), der Tageszeit, dem Wochentag, dem Vorhandensein anderer Schilder (z. B. können Baustellenschilder andere Schilder verdrängen), dem Fahrzeugtyp des autonomen Fahrzeugs (z. B. Pkw vs. Lkw) usw. gelten oder nicht. Wenn es beispielsweise eine Kartenregel gibt, die eine Bedingung enthält, die nur von Zeit X bis Zeit Y gilt, kann der Bedingungsprüfer 342 verwendet werden, um zu bestimmen und zu markieren, ob die Kartenregel derzeit gilt.In at least one embodiment, the condition checker 342 may generally determine which signals are valid or invalid (or active or inactive) based at least on one or more sensed and/or determined environmental conditions. For example, some signs may change depending on weather conditions (e.g. rain, snow, fog, wind), time of day, day of week, presence of other signs (e.g. construction site signs may displace other signs), autonomous vehicle vehicle type (e.g. car vs. truck) etc. apply or not. For example, if there is a card rule that contains a constraint that only applies from time X to time Y, the constraint checker 342 can be used to determine and flag whether the card rule currently applies.
Ein Kartenregel-Abgleicher 346 ist im Allgemeinen für die Durchführung eines Kartenregel-Abgleichprozesses verantwortlich. Der Kartenregel-Abgleichprozess kann die Kartenregeln nehmen und ihre Komponenten (oder Datenkomponenten) mit den Elementen abgleichen, deren tatsächliches Vorhandensein festgestellt wurde, und Warteelemente in dem Prozess erzeugen. Beispielsweise kann der Kartenregel-Abgleicher 346 Signale und andere Eingaben, die vom Bedingungsprüfer 342 als zutreffend bestimmt wurden, in eine oder mehrere Kartenregeln auflösen. Beispielsweise kann der Kartenregel-Abgleicher 346 bestimmen, dass eine oder mehrere Kartenregeln gelten, wenn ein zugehöriges Ampelsignal grün ist, während der Kartenregel-Abgleicher 346 nicht bestimmen kann, dass die Kartenregel(n) gilt/gelten, wenn das Ampelsignal rot ist (sondern bestimmen kann, dass eine andere Regel gilt). Diese Festlegungen können mindestens darauf beruhen, dass der Kartenregel-Abgleicher 346 die Bedingung(en) kennt, die gemäß den Festlegungen des Bedingungsprüfers 342 tatsächlich gelten (z. B. den Ampelzustand).A
Um die Fähigkeit zu erhöhen, von gegenseitigen Ausschlussbedingungen zu profitieren und im Allgemeinen eine ganzheitliche Entscheidung zu treffen, kann der vom Kartenregel-Abgleicher 346 durchgeführte Prozess zum Abgleich von Kartenregeln mit einem Prozess beginnen, der eine Übereinstimmung zwischen Wegen, Wartegeometrie und Signalen in der Karte und den Wegen, der Wartegeometrie und den Signalen herstellt, deren tatsächliches Vorhandensein vom Bedingungsprüfer 342 festgestellt wurde. Es ist zu beachten, dass in einigen Fällen diese Entitäten zunächst aus einer Karte stammen können (z. B. kann die Warteelement-Engine 300 so konfiguriert sein, dass der Fahrspurgraphen aus einer Karte empfangen wird, und eine Kartenregel mit einem der gleichen Wege berücksichtigt und prüft, ob sie übereinstimmt), so dass sie den Abgleich „nach Kennungen“ durchführen kann, die bereits während der Verschmelzung von Fahrspurgraphen, Wartegeometrie oder Signalen festgelegt wurden. Um die Flexibilität und Allgemeinheit zu erhöhen, kann der Kartenregel-Abgleicher 346 den Abgleich jedoch auch ohne Verwendung von Informationen aus einer Karte durchführen. Beispielsweise kann der Kartenregel-Abgleicher 346 einen Fahrspurgraphen aus der Live-Wahrnehmung (z. B. über den Wartegeometrie-Wahrnehmer 302) verwenden und eine Kartenregel aus der Karte anwenden, die eine Ampel mit dem Ego-Weg verknüpft, und so architektonische Komplikationen vermeiden, die sich daraus ergeben, dass Kartenidentifizierungsnummern den ganzen Weg durch den Fahrspurgraphen, die Wartegeometrie und die Signale weitergegeben werden müssen. Wenn ein Weg, ein Teil der Wartegeometrie oder ein Signal tatsächlich von einer Karte abgeleitet ist, sollte seine Geometrie identisch sein (oder fast identisch, wenn sie erfolgreich verschmolzen/vermischt wurde), so dass Übereinstimmungen korrekt wiederhergestellt werden sollten. Der Abgleich kann auch mit Elementen übereinstimmen, die nicht exakt identisch sind. So kann beispielsweise erwartet werden, dass ungefähr ähnliche Formen und Platzierungen von Linksabbiegern übereinstimmen (auch hier ist zu beachten, dass bei zwei parallelen Linksabbiegern der Abgleich davon profitiert, dass sie gemeinsam betrachtet werden). So kann dieser Prozess im Wesentlichen einen Abgleich durchführen, der die „Kartenszene“ mit der „tatsächlichen Szene“ abgleicht, die durch eine beliebige Kombination aus Live-Wahrnehmung und Kartenlokalisierung ermittelt wurde. Das Ergebnis kann eine 1:1-Entsprechung zwischen einer Teilmenge der tatsächlichen Objekte und einer Teilmenge der Kartenobjekte sein.To increase the ability to benefit from mutual exclusion conditions and generally make a holistic decision, the map rule matching process performed by the
In verschiedenen Ausführungsformen kann jede Kartenregel zu einem Ausfahrtswarteelement führen (z. B. das Warteelement 310 oder ein Vorläufer davon), indem alle Entitäten abgeglichen und alle Signale aufgelöst werden. Viele Kartenregeln können einen gültigen Ego-Weg enthalten (da viele Konkurrenzzustände davon abhängig sind und ohne ihn keinen Sinn ergeben). Wenn dieser Ego-Weg keine Übereinstimmung findet, kann das mehrere Gründe haben. Wenn die Lokalisierung auf bekannte Weise fehlschlägt, können die Zuordnungsregeln nicht verwendet werden und die fehlgeschlagene Lokalisierung kann auf andere Weise behandelt werden. Wenn jedoch die Lokalisierung ungenau ist, könnte dies dazu führen, dass der Ego-Weg nicht übereinstimmt. Eine andere Möglichkeit ist, dass der Ego-Weg entweder in der Karte oder in der tatsächlichen Szene ungenau ist. Eine andere Möglichkeit besteht darin, dass der Weg zu weit entfernt ist oder von der Live-Wahrnehmung verdeckt wird. In diesem Fall kann ein konservativer Ansatz den Ego-Weg in die Szene zwingen. Aus diesem Grund können Ego-Wege aus Kartenregeln, die keine Übereinstimmung gefunden haben, zusammen mit ihrer Wartegeometrie hinzugefügt werden. Dasselbe Verfahren kann auch auf Konkurrenten-Wege angewendet werden. Tatsächlich könnte der gesamte Satz von Warteelementen aus den Kartenregeln separat betrachtet werden, mit Ausnahme der Signale, obwohl die Korrespondenz wichtig sein kann, wenn man die Verschmelzung der Kartenregeln mit den Basisregeln betrachtet, die von der Warteelement-Sicherung 348 durchgeführt wird. Die Signale hingegen müssen möglicherweise abgeglichen werden, um ihren Zustand aufzulösen. Jeder Zustand eines nicht übereinstimmenden Signals kann auf den Zustand „Unbekannt“ gesetzt werden, und der Vorschlag in den Zuordnungsregeln kann diese Möglichkeit berücksichtigen und den entsprechenden Zustand der Konkurrenz zuweisen. Dies kann z. B. bedeuten, dass der Konkurrenzzustand auf Anhalten an der Einfahrt gesetzt wird, wenn der Zustand einer einzelnen Ampel unbekannt ist. Dies kann auch bedeuten, dass eine von mehreren synchronisierten Ampeln verwendet wird, um dasselbe Warteelement aufzulösen, wobei nur dann auf Anhalten an der Einfahrt umgeschaltet wird, wenn alle Ampeln unbekannt sind. In wieder anderen Fällen könnte dies bedeuten, dass beim Linksabbiegen in den Gegenverkehr auf den Am Konkurrenzpunkt Vorfahrt gewähren zurückgegriffen wird, wenn die Ampel mit dem grünen Abbiegepfeil nicht sichtbar ist, aber ein grüner Kreis zu sehen ist und bekannt ist, dass das Abbiegen in diesem Fall immer erlaubt ist (obwohl nicht bekannt ist, ob es geschützt ist oder nicht). Dieses Beispiel ist aggressiv, aber der Entwurf bietet hohe Flexibilität ohne hohe Komplexität (eine andere, weniger flexible Option wäre es, mögliche Zustände aufzulisten und alle möglichen Kombinationen zu nummerieren und nach dem am stärksten einschränkenden Konkurrenzzustand aller Möglichkeiten zu suchen).In various embodiments, each map rule may result in an exit waiting element (e.g., waiting
Der Basisregel-Parser 344 ist im Allgemeinen für die Durchführung eines Basisregel-Parsing-Prozesses verantwortlich, der die auf zwei Arten abgeleiteten Vorschlagsregeln verwenden kann. Erstens können die Vorschlagsregeln aus den Basisregeln über die Schätzung der Basiszustandsvariablen, die Geometrieklassifizierung und die Geometriezuordnung abgeleitet werden. Zweitens können die Vorschlagsregeln von Kartenregeln abgeleitet werden. Beispielsweise kann der Basisregel-Parser 344 Signale und andere Eingaben, die vom Bedingungsprüfer 342 als zutreffend ermittelt wurden, in eine oder mehrere Basisregeln auflösen. In mindestens einer Ausführungsform kann der Basisregel-Parser 344 ähnlich wie der Kartenregel-Abgleicher 346 arbeiten, wendet aber allgemeine oder universelle Regeln und Bedingungen für das Fahren an, die unabhängig vom historischen oder beobachteten Verhalten von Fahrzeugen am Ort des Vorfahrtszenarios sind.The
Die Basisregeln können zwar von Land zu Land, von Staat zu Staat, von Region zu Region usw. variieren, aber sie können für jedes Vorfahrtszenario einheitlich gelten, solange die entsprechenden Bedingungen erfüllt sind. Im Gegensatz dazu können Kartenregeln Regeln und Bedingungen für das Fahren anwenden, die mindestens auf dem historischen oder beobachteten Verhalten von Fahrzeugen an einem Ort des Vorfahrtszenarios oder an ähnlichen Orten des Vorfahrtszenarios beruhen. In mindestens einer Ausführungsform können die Kartenregeln in den Kartendaten codiert sein und mindestens basierend auf der Lokalisierung des autonomen Fahrzeugs auf einer Karte angewendet werden. Die Basisregeln können jedoch unabhängig von der Lokalisierung und dem Ort des Vorfahrtszenarios gelten. Durch die Bereitstellung des Basisregel-Parsers 344 können Warteelemente auch dann erzeugt werden, wenn keine Kartendaten verfügbar sind oder nicht auf das aktuelle Vorfahrtsszenario angewendet oder lokalisiert werden können. Wenn beispielsweise der Kartenregel-Abgleicher 346 nicht in der Lage ist, eine oder mehrere Komponenten und/oder Elemente eines Warteelements zu bestimmen, kann der Basisregel-Parser 344 alle Lücken ausfüllen oder andersherum. So können Warteelemente vollständig aus Kartendaten, vollständig aus Wahrnehmungsdaten oder aus einer Kombination beider Datentypen erzeugt werden.While the basic rules may vary from country to country, state to state, region to region, etc., they can apply uniformly to any give-way scenario as long as the appropriate conditions are met. In contrast, map rules may apply rules and conditions to driving based at least on the historical or observed behavior of vehicles at a right-of-way scenario location or similar right-of-way scenario locations. In at least one embodiment, the map rules may be encoded in the map data and applied at least based on the location of the autonomous vehicle on a map. However, the basic rules can apply regardless of the location and location of the right-of-way scenario. By providing the
Der Warteelement-Verschmelzer 348 ist im Allgemeinen zum Verschmelzen oder Kombinieren von Daten verantwortlich, die den geparsten Basisregeln und den übereinstimmenden Kartenregeln entsprechen, um den Konkurrenzzustand 318 aufzulösen. Beispielsweise können in mindestens einer Ausführungsform der Basisregel-Parser 344 und der Kartenregel-Abgleicher 346 jeweils entsprechende Warteelemente und/oder Elemente und/oder Komponenten davon erzeugen. Der Warteelement-Verschmelzer 348 kann jeden dieser verschiedenen Aspekte verschmelzen, um das Warteelement 310 zu bilden. In mindestens einer Ausführungsform können ein oder mehrere Aspekte des Basisregel-Parsers 344 und des Kartenregel-Abgleichers 346 miteinander in Konkurrenz stehen. Beispielsweise kann dasselbe Feld oder Datenelement unterschiedliche Werte haben. Der Warteelement-Verschmelzer 348 kann solche Konkurrenzen identifizieren und/oder erkennen, um einen oder mehrere aufgelöste Werte für das Warteelement 310 zu bestimmen. In mindestens einer Ausführungsform können die Bestimmungen des Kartenregel-Abgleichers 346 im Allgemeinen Vorrang haben, da sie auf der Lokalität basieren und die Wahmehmungsdaten nicht immer zuverlässig sind. Dies kann beispielsweise dann sinnvoll sein, wenn der Basisregel-Parser 344 nicht in der Lage ist, eine relevante Regel abzuleiten, die angewendet werden sollte. Wenn es beispielsweise kein Schild oder einen anderen visuellen Indikator gibt, dass an einer Kreuzung das Linksabbiegen verboten ist, kann der Basisregel-Parser 344 möglicherweise keine entsprechende Basisregel anwenden, selbst wenn diese Regel durch Konvention befolgt wird. Der Kartenregel-Abgleicher 346 kann die Regel jedoch mindestens basierend auf der Beobachtung anwenden, dass die Regel bei historischen Fahrten autonomer Fahrzeuge über die Kreuzung gilt. Es ist jedoch möglich, dass es vorübergehende oder neue Signale gibt, die nicht vorhanden sind oder ein ausreichend hohes Vertrauensniveau haben (z. B. aufgrund von inkonsistenten oder zu wenigen Beobachtungen, veralteten Beobachtungen usw.), um sie in die Kartendaten aufzunehmen. Der Basisregel-Parser 344 kann verwendet werden, um solche Szenarien zu berücksichtigen (z. B. für Baustellenschilder, elektronische Schilder oder andere temporäre oder vorübergehende Signale können entsprechende Feststellungen durch den Basisregel-Parser 344 Vorrang haben, die mindestens darauf basieren, dass sie diesen Signaltypen zugeordnet oder mit ihnen verknüpft sind), wenn Daten zum Warteelement 310 aufgelöst werden.The queuing
Obwohl in
Zusätzlich kann die Warteelement-Engine einen Okklusionsanalysator enthalten. Die Verdeckungsanalyse kann den OIPA-Ergebnissen ein Verdeckungsverständnis verleihen, indem sie einen Fahrspurgraphen und Hinderniswahrnehmungsausgaben wie SMS und eine Tiefenkarte verwendet und Segmente im Fahrspurgraphen erkennt, die einen ungesehenen Akteur verdecken könnten. Dadurch kann der Vorfahrtsplaner nicht nur sichtbare, sondern auch unsichtbare Akteure berücksichtigen. Ein konkurrierender Weg kann mit einem erwarteten Geschwindigkeitslimit versehen sein, und verdeckte Teile dieses Weges können dann verwendet werden, um einen ungesehenen Akteur mit dieser Höchstgeschwindigkeit an der nächstgelegenen verdeckten Stelle einzufügen, an der er sich derzeit befinden kann, mit entsprechenden Vorbehalten für erwartete Konventionen (z. B. wenn der Konkurrenzzustand Wer zuerst anhält, hat Vorrang ist, ist nicht davon auszugehen, dass ein ungesehenes Fahrzeug, das sich weit hinter seinem Einfahrbereich und seiner Einfahrlinie befindet, mit Höchstgeschwindigkeit einfährt, wenn es dadurch nicht an seiner Einfahrlinie anhalten kann, während bei einem Vorfahrtskonkurrenzpunkt angenommen werden kann, dass es mit Höchstgeschwindigkeit einfahren könnte.) Mit diesen Informationen kann der Vorfahrtsplaner dann nicht sichtbare Fahrzeuge berücksichtigen und korrektes Verhalten generieren, z. B. Verlangsamung, Warten oder langsames Vorwärtsrollen, bis verdeckte Bereiche aufgedeckt werden können oder bis die Ampel im Fall des Rechtsabbiegens bei Rot grün wird.Additionally, the wait element engine may include an occlusion analyzer. The occlusion analysis can add an occlusion understanding to the OIPA results using a lane graph and obstacle perception outputs such as SMS and a depth map, and detect segments in the lane graph that could be occluding an unseen actor. As a result, the right-of-way planner can take into account not only visible but also invisible actors. A competing path can be provided with an expected speed limit, and obscured parts of that path can then be used to insert an unseen actor with that maximum speed at the closest obscured location where it can currently be, with appropriate caveats for expected conventions ( e.g., where the first stop, first priority condition of competition is present, an unseen vehicle well beyond its entry zone and entry line should not be expected to enter at top speed if that would prevent it from stopping at its entry line, while at a yield point it can be assumed that it could enter at top speed.) With this information the yield planner can then take into account non-visible vehicles and generate correct behavior e.g. B. Slowing down, waiting or slowly rolling forward until hidden areas can be revealed or until the traffic light turns green in the case of a right turn on red.
Die Warteelement-Engine 300 kann zusätzlich eine Wer-hat-zuerst-angehalten-Analyse durchführen. Die Wer-hat-zuerst-angehalten-Analyse kann anhand der Bewegungsanalyse und der OIPA-Ergebnisse bestimmen, welcher Akteur zuerst gestoppt hat, um den Konkurrenzzustand Wer zuerst anhält, hat Vorrang zu unterstützen. Die OIPA-Ergebnisse können verwendet werden, um festzustellen, ob ein Akteur in die Innenfläche eingefahren ist, sich in seinem Einfahrtsbereich befindet und die Einfahrtslinie erreicht hat. Anhand der Bewegung kann auch festgestellt werden, ob sich der Akteur in Bewegung befindet, ob er angehalten wurde, sich aber vor kurzem bewegt hat, oder ob es sich möglicherweise um ein geparktes Fahrzeug handelt. Eine weitere Analyse der Warteelement-Engine 300 kann eine Who-Goes-First-Analyse beinhalten. Bei einer Who-Goes-First-Analyse kann es sich um eine maschinell erlernte Analyse handeln, die für jeden Konkurrenten einen Konkurrenzzustand schätzt. Eine solche Analyse kann durch viele Beispiele zukünftiger Verläufe trainiert werden, bei denen festgestellt werden kann, ob ein Akteur den Konkurrenzpunkt vor dem Ego-Fahrzeug passiert hat oder umgekehrt. Das Wissen um die Wahrscheinlichkeit, wer zuerst kommt, kann ein Hinweis auf die Renditeerwartungen sein.The
Wie bereits erwähnt, kann die Ausgabe des Warteelements 310 der Warteelement-Engine 300 an einen Vorfahrtsplaner des Ego-Fahrzeugs weitergeleitet werden. Der Vorfahrtsplaner kann ein Vorfahrtsverhalten für das Ego-Fahrzeug implementieren, wenn die Warteelemente mit aufgelöstem Konkurrenzzustand, die OIPA-Ergebnisse mit Verdeckung, die Ausgaben „Wer hat zuerst angehalten“, „Wer fährt zuerst“ und die Hinderniswahrnehmung vorliegen. Der Vorfahrtsplaner kann, falls erforderlich und möglich, ein Vorfahrtsverhalten des Ego-Fahrzeugs veranlassen und überwacht die Vorfahrtsgewährung der anderen Akteure beim Wahrnehmen der Vorfahrt. Die Analyse des Vorfahrtsplaners kann durchgeführt werden, um vorherzusagen, was passieren würde, wenn das Ego-Fahrzeug auf dem geforderten Weg weiterfährt. Wenn das Ego-Fahrzeug vorwärtsfährt und die Vorfahrt gewähren soll, kann das Ego-Fahrzeug den Konkurrenz lösen, bevor Konkurrenten, die Vorfahrt haben, beeinträchtigt werden (z. B. gezwungen werden, ihr Verhalten zu ändern). Bei der Vorfahrt kann auch darauf geachtet werden, dass das Ego-Fahrzeug die anderen Verkehrsteilnehmer nicht zu einem anderen als dem von ihnen bevorzugten oder beabsichtigten Verhalten veranlasst.As already mentioned, the output of the waiting
Nun auf die Figuren siehe 4-6 bezugnehmend, weist jeder Block der Verfahren 400-600 und anderer hierin beschriebener Verfahren einen Rechenprozess auf, der unter Verwendung einer beliebigen Kombination von Hardware, Firmware und/oder Software durchgeführt werden kann. Beispielsweise können verschiedene Funktionen von einem Prozessor ausgeführt werden, der im Speicher gespeicherte Anweisungen ausführt. Die Verfahren können auch als computerverwendbare Anweisungen auf Computerspeichermedien gespeichert sein. Die Methoden können durch eine eigenständige Anwendung, einen Dienst oder einen gehosteten Dienst (eigenständig oder in Kombination mit einem anderen gehosteten Dienst) oder ein Plug-in für ein anderes Produkt bereitgestellt werden, um nur einige zu nennen. Darüber hinaus werden die Methoden 400-600 beispielhaft in Bezug auf die Warteelement-Engine 300 der
In Block B404 können Geometriedaten empfangen werden. In einigen Ausführungsformen können die Geometriedaten als Reaktion auf die Erkennung des Vorfahrtsszenarios empfangen werden. Die Geometriedaten können Geometrieerkennungsdaten enthalten. Beispielsweise kann der Wartegeometrie-Wahrnehmer 302 der Warteelement-Engine 300 Echtzeit-Geometriedaten empfangen, die von einem oder mehreren Sensoren des autonomen Fahrzeugs erzeugt werden.Geometry data can be received in block B404. In some embodiments, the geometry data may be received in response to detecting the give-way scenario. The geometry data may include geometry recognition data. For example, the wait geometry perceiver 302 of the
In Block B406 können Signaldaten empfangen werden. In einigen Ausführungsformen können die Signaldaten als Reaktion auf die Erkennung des Vorfahrtsszenarios empfangen werden. Die Signaldaten können Signalwahrnehmungsdaten enthalten. Beispielsweise kann der Signalwahrnehmer 306 der Warteelement-Engine 300 Echtzeit-Signaldaten empfangen, die von dem einen oder den mehreren Sensoren des autonomen Fahrzeugs erzeugt werden.In block B406 signal data can be received. In some embodiments, the signaling data may be received in response to detecting the give-way scenario. The signal data may include signal perception data. For example, the signal perceiver 306 of the queuing
In Block B408 können Kartendaten empfangen werden. In einigen Ausführungsformen können die Kartendaten als Reaktion auf die Erkennung des Vorfahrtsszenarios empfangen werden. Beispielsweise kann der Kartograph 304 der Warteelement-Engine 300 Kartendaten empfangen.Map data can be received in block B408. In some embodiments, the map data may be received in response to detecting the give-way scenario. For example, the
In Block B410 können Fahrspurgraphen-Daten empfangen werden. In einigen Ausführungsformen können die Fahrspurgraphen-Daten als Reaktion auf die Erkennung des Vorfahrtsszenarios empfangen werden. Die Fahrspurgraphen-Daten können einen oder mehrere Ego-Wege und einen oder mehrere Konkurrenten-Wege für einen oder mehrere Konkurrenten eines Vorfahrtsszenarios enthalten. Beispielsweise kann der Fahrspurschreiber 350 der Warteelement-Engine 300 die Ego-Wege 352 für ein Ego-Fahrzeug (z. B. das autonome Fahrzeug) und die Konkurrenten-Wege 354 für den oder die Konkurrenten empfangen, die mit dem Vorfahrtszenario verbunden sind.Lane graph data may be received in block B410. In some embodiments, the lane graph data may be received in response to detecting the give-way scenario. The lane graph data may include one or more ego paths and one or more competitor paths for one or more competitors of a right-of-way scenario. For example, the
In Block B412 kann eine Geometrie für einen Ego-Weg des einen oder der mehreren Ego-Wege bestimmt werden. Die Geometrie für den Ego-Weg kann über die Geometriedaten, die Kartendaten, die Signaldaten und/oder die Fahrspurgraphen-Daten bestimmt werden. Als solche können der Wartegeometrie-Wahrnehmer 302, der Kartograph 304, der Signalwahrnehmer 306, der Fahrspurschreiber 350 oder eine beliebige Kombination davon allgemein für die Bestimmung der Geometrie des Ego-Wegs verantwortlich sein. In einigen Ausführungsformen können der Wartegeometrie-Verschmelzer 322 der Warteelement-Engine 300, der Geometrie-Klassifikator 324 der Warteelement-Engine 300, der Geometrie-Assoziator 326 der Warteelement-Engine 300, der Signal-Verschmelzer 328 der Warteelement-Engine 300, der Signalzustandsschätzer 330 der Warteelement-Engine 300 oder eine beliebige Kombination davon zur Bestimmung der Geometrie für den Ego-Weg beitragen.In block B412, a geometry for an ego path of the one or more ego paths may be determined. The geometry for the ego path can be determined using the geometry data, the map data, the signal data and/or the lane graph data. As such, the waiting
Ebenfalls in Block B412 kann eine Geometrie für einen Konkurrenten-Weg des einen oder der mehreren Konkurrenten-Wege des einen oder der mehreren Konkurrenten bestimmt werden. Ähnlich wie der Ego-Weg kann die Geometrie für den Konkurrenten-Weg über die Geometriedaten, die Kartendaten, die Signaldaten und/oder die Fahrspurgraphen-Daten bestimmt werden. Als solche können der Wartegeometrie-Wahrnehmer 302, der Kartograph 304, der Signalwahrnehmer 306, der Fahrspurschreiber 350 oder eine beliebige Kombination davon im Allgemeinen für die Bestimmung der Geometrie des Konkurrenten-Wegs verantwortlich sein. In einigen Ausführungsformen können der Wartegeometrie-Verschmelzer 322 der Warteelement-Engine 300, der Geometrie-Klassifikator 324 der Warteelement-Engine 300, der Geometrie-Assoziator 326 der Warteelement-Engine 300, der Signal-Verschmelzer 328 der Warteelement-Engine 300, der Signalzustandsschätzer 330 der Warteelement-Engine 300 oder eine beliebige Kombination davon zur Bestimmung der Geometrie für den Konkurrenten-Weg beitragen. In einigen Ausführungsformen wird in Block 414 eine Geometrie für einen Kontext der Wege und/oder des Vorfahrtsszenarios bestimmt.Also in block B412, a geometry for a competitor path of the one or more competitor paths of the one or more competitors may be determined. Similar to the ego path, the geometry for the competitor path may be determined from the geometry data, the map data, the signal data, and/or the lane graph data. As such, the waiting
In Block B414 können die Geometrien für den Ego-Weg und den Konkurrenten-Weg codiert werden. Die Geometrie des Ego-Wegs kann in einer Ego-Wartegeometrie codiert werden (z. B. die Ego-Wartegeometrie 312 der
In Block B416 kann ein Konkurrenzzustand zwischen dem Ego-Weg und dem Konkurrenten-Weg mindestens basierend auf der ermittelten Geometrien bestimmt werden. Verschiedene Ausführungsformen für die Bestimmung eines Konkurrenzzustands werden in Verbindung mit mindestens der Warteelement-Engine 300, dem Verfahren 500 der
Im Block B418 kann eine Warteelement-Datenstruktur (oder ein Datenobjekt) erzeugt werden, z. B. das Warteelement 310 der
Bei B420 kann das Warteelement an einen Vorfahrtsplaner für das autonome Fahrzeug übermittelt werden.At B420, the wait item may be communicated to a priority planner for the autonomous vehicle.
In Block B504 können ein oder mehrere Signale für die Ego-/Konkurrenten-Wege wahrgenommen werden. Ein Signalwahrnehmer (z. B. der Signalwahrnehmer 306) kann die Signale für die Wege wahrnehmen.In block B504, one or more signals for the ego/competitor pathways may be perceived. A signal perceiver (e.g., signal perceiver 306) may perceive the signals for the paths.
In Block B506 können die Wartegeometrien mit Kartendaten verschmolzen werden. Eine Wartegeometrie-Verschmelzer (z. B. die Wartegeometrie-Verschmelzer 322 der Warteelement-Engine 300) kann die Wartegeometrien mit den Kartendaten verschmelzen.In block B506 the waiting geometries can be merged with map data. A wait geometry blender (e.g., the
In Block B508 können die verschmolzenen Wartegeometrien klassifiziert werden. Ein Geometrie-Klassifikator (z. B. der Geometrie-Klassifikator 324 der Warteelement-Engine 300) kann die Wartegeometrien klassifizieren.In block B508, the merged wait geometries can be classified. A geometry classifier (
In Block B510 können die verschmolzenen Wartegeometrien zugeordnet werden. Ein Geometrie-Assoziator (z. B. der Geometrie-Assoziator 326 der Warteelement-Engine 300) kann die Wartegeometrien assoziieren.In block B510 the merged waiting geometries can be assigned. A geometry associator (e.g.,
In Block B512 können die Signale mit den Kartendaten verschmolzen werden. Eine Signal-Verschmelzer (z. B. die Signal-Verschmelzer 328 der Warteelement-Engine 300) kann die Signale mit den Kartendaten verschmelzen.In block B512 the signals can be merged with the map data. A signal merger (e.g., the
In Block B514 können die Zustände der verschmolzenen Signale geschätzt werden. Ein Signalzustandsschätzer (z. B. der Signalzustandsschätzer 330 der Warteelement-Engine 300) kann den Zustand der verschmolzenen Signale schätzen.In block B514, the states of the merged signals can be estimated. A signal state estimator (e.g., signal state estimator 330 of wait element engine 300) may estimate the state of the merged signals.
In Block B516 kann ein Konkurrenzzustand zwischen dem Ego-Weg und dem Konkurrenten-Weg aufgelöst werden. Verschiedene Ausführungsformen der Auflösung eines Konkurrenzzustands werden mindestens in Verbindung mit dem Verfahren 600 der
In Block B518 kann ein Warteelement erzeugt werden. Beispielsweise kann die Warteelement-Engine 300 das Warteelement 310 erzeugen.A wait element may be created in block B518. For example, the
In Block B520 kann das Warteelement einem System (z. B. einem Vorfahrtsplaner) zur Verfügung gestellt werden, das Führungsdienste für ein autonomes Fahrzeug (z. B. das Ego-Fahrzeug) bereitstellt.In block B520, the queuing element may be provided to a system (e.g., a priority planner) that provides guidance services to an autonomous vehicle (e.g., the ego vehicle).
Das Verfahren 600 umfasst in Block B602 die Überprüfung eines Zustands des Konkurrenzzustands. Ein Bedingungsprüfer (z. B. der Bedingungsprüfer 342 des Konkurrenzzustandslösers 340) kann verwendet werden, um die Bedingung des Konkurrenzzustands zu prüfen.The
In Block B604 können eine oder mehrere Basisregeln geparst werden. Ein Basisregel-Parser (z. B. der Basisregel-Parser 344 des Konkurrenzzustandslösers 340) kann die Basisregeln parsen.In block B604, one or more base rules may be parsed. A base rule parser (e.g.,
In Block B606 können eine oder mehrere Kartenregeln mit dem Konkurrenzzustand abgeglichen werden. Eine Kartenregel-Abgleicher (z. B. der Kartenregel-Abgleicher 346 des Konkurrenzzustandslösers 340) kann den Konkurrenzzustand mit einer oder mehreren Kartenregeln abgleichen.In block B606, one or more card rules may be compared to the contention state. A card rule matcher (e.g.,
In Block B608 können die verschiedenen Datenstrukturen (z. B. Wartegeometrien und Konkurrenzzustand) zu einem Warteelement verschmolzen werden. Ein Warteelement-Verschmelzer (z. B. der Warteelement-Verschmelzer 348 des Konkurrenzzustandslösers 340) kann die Datenstrukturen verschmelzen.In block B608, the various data structures (e.g., wait geometries and contention state) may be merged into one wait element. A wait element merger (e.g., wait
In Block B610 können die verschmolzenen Datenstrukturen (z. B. Wartegeometrien und ein aufgelöster Konkurrenzzustand) in ein Warteelement (z. B. das Warteelement 310 der
Beispielhaftes autonomes FahrzeugExemplary autonomous vehicle
Das Fahrzeug 700 kann Komponenten wie ein Fahrgestell, eine Fahrzeugkarosserie, Räder (z. B. 2, 4, 6, 8, 18 usw.), Reifen, Achsen und andere Komponenten eines Fahrzeugs umfassen. Das Fahrzeug 700 kann ein Antriebssystem 750 umfassen, wie z. B. einen Verbrennungsmotor, ein Hybrid-Elektrokraftwerk, einen reinen Elektromotor und/oder einen anderen Antriebssystemtyp. Das Antriebssystem 750 kann mit einem Antriebsstrang des Fahrzeugs 700 verbunden sein, der ein Getriebe umfassen kann, um den Antrieb des Fahrzeugs 700 zu ermöglichen. Das Antriebssystem 750 kann in Reaktion auf den Empfang von Signalen von der Drosselklappe/Gaspedal 752 gesteuert werden.
Ein Lenksystem 754, das ein Lenkrad umfassen kann, kann verwendet werden, um das Fahrzeug 700 zu lenken (z. B. entlang eines gewünschten Weges oder einer Route), wenn das Antriebssystem 750 in Betrieb ist (z. B. wenn das Fahrzeug in Bewegung ist). Das Lenksystem 754 kann Signale von einem Lenkaktor 756 empfangen. Das Lenkrad kann optional für die vollständige Automatisierung (Stufe 5) eingesetzt werden.A
Das Bremssensorsystem 746 kann verwendet werden, um die Fahrzeugbremsen als Reaktion auf den Empfang von Signalen von den Bremsaktoren 748 und/oder Bremssensoren zu betätigen.The
Die Steuereinheit(en) 736, die ein oder mehrere System-on-Chips (SoCs) 704 (
Der Controller 736 kann die Signale zur Steuerung einer oder mehrerer Komponenten und/oder Systeme des Fahrzeugs 700 als Reaktion auf Sensordaten bereitstellen, die von einem oder mehreren Sensoren (z. B. Sensoreingaben) empfangen werden. Die Sensordaten können beispielsweise und ohne Einschränkung von (einem) Sensor(en) des globalen Navigationssatellitensystems 758 (z. B. Global-Positioning-System-Sensor(en)), RADAR-Sensor(en) 760, Ultraschallsensor(en) 762, LIDAR-Sensor(en) 764, Trägheitsmesseinheit (IMU)-Sensor(en) 766 (z. B., Beschleunigungsmesser, Gyroskop(e), Magnetkompass(e), Magnetometer usw.), Mikrofon(e) 796, Stereokamera(s) 768, Weitwinkelkamera(s) 770 (z. B., Fischaugenkameras), Infrarotkamera(s) 772, Surround-Kamera (s) 774 (z. B. 360-Grad-Kameras), Fern- und/oder Mittelbereichskamera(s) 798, Geschwindigkeitssensor(en) 744 (z. B. zur Messung der Geschwindigkeit des Fahrzeugs 700), Vibrationssensor(en) 742, Lenksensor(en) 740, Bremssensor(en) (z. B. als Teil des Bremssensorsystems 746) und/oder andere Sensortypen.The
Ein oder mehrere Controller 736 können Eingaben (z. B. in Form von Eingabedaten) von einem Kombiinstrument 732 des Fahrzeugs 700 empfangen und Ausgaben (z. B. in Form von Ausgabedaten, Anzeigedaten usw.) über eine Mensch-Maschine-Schnittstelle (HMI)-Anzeige 734, einen akustischen Melder, einen Lautsprecher und/oder über andere Komponenten des Fahrzeugs 700 bereitstellen. Die Ausgaben können Informationen wie Fahrzeuggeschwindigkeit, Drehzahl, Zeit, Kartendaten (z. B. die HD-Karte 722 der
Das Fahrzeug 700 umfasst ferner eine Netzwerkschnittstelle 724, die eine oder mehrere drahtlose Antenne(n) 726 und/oder Modem(e) zur Kommunikation über ein oder mehrere Netzwerke verwenden kann. Beispielsweise kann die Netzwerkschnittstelle 724 in der Lage sein, über LTE, WCDMA, UMTS, GSM, CDMA2000 usw. zu kommunizieren. Die drahtlose(n) Antenne(n) 726 kann/können auch die Kommunikation zwischen Objekten in der Umgebung (z. B. Fahrzeuge, mobile Geräte usw.) über lokale Netzwerke wie Bluetooth, Bluetooth LE, Z-Wave, ZigBee usw. und/oder Low Power Wide Area Networks (LPWANs) wie LoRaWAN, SigFox usw. ermöglichen.The
Die Kameratypen für die Kameras können unter anderem Digitalkameras sein, die für die Verwendung mit den Komponenten und/oder Systemen des Fahrzeugs 700 angepasst werden können. Die Kamera(s) kann/können mit der Sicherheitsstufe B (ASIL) und/oder einer anderen ASIL betrieben werden. Die Kameratypen können je nach Ausführungsform eine beliebige Bildaufnahmerate aufweisen, z. B. 60 Bilder pro Sekunde (fps), 120 fps, 240 fps usw. Die Kameras können Rolling Shutter, Global Shutter, einen anderen Verschlusstyp oder eine Kombination davon verwenden. In einigen Beispielen kann die Farbfilteranordnung eine Rot-Klar-Klar-Klar-Farbfilteranordnung (RCCC), eine Rot-Klar-Klar-Blau-Farbfilteranordnung (RCCB), eine Rot-Blau-Grün-Klar-Farbfilteranordnung (RBGC), eine Foveon X3-Farbfilteranordnung, eine Bayer-Sensor-Farbfilteranordnung (RGGB), eine Monochromsensor-Farbfilteranordnung und/oder eine andere Art von Farbfilteranordnung umfassen. In einigen Ausführungsformen können Kameras mit klaren Pixeln, wie z. B. Kameras mit einer RCCC-, einer RCCB- und/oder einer RBGC-Farbfilteranordnung, verwendet werden, um die Lichtempfindlichkeit zu erhöhen.The camera types for the cameras may include, but are not limited to, digital cameras, which may be adapted for use with the
In einigen Beispielen können eine oder mehrere der Kameras verwendet werden, um erweiterte Fahrerassistenzsysteme (ADAS) auszuführen (z. B. als Teil einer redundanten oder ausfallsicheren Konstruktion). So kann beispielsweise eine Multifunktions-Monokamera installiert werden, um Funktionen wie Spurhalteassistent, Verkehrszeichenassistent und intelligente Scheinwerfersteuerung bereitzustellen. Eine oder mehrere der Kameras (z. B. alle Kameras) können gleichzeitig Bilddaten (z. B. Video) aufzeichnen und liefern.In some examples, one or more of the cameras may be used to run advanced driver assistance systems (ADAS) (e.g., as part of a redundant or failsafe design). For example, a multifunction mono camera can be installed to provide functions such as Lane Departure Warning, Traffic Sign Assist and Intelligent Headlight Control. One or more of the cameras (e.g. all cameras) can simultaneously record and deliver image data (e.g. video).
Eine oder mehrere der Kameras können in einer Montagebaugruppe, z. B. einer kundenspezifischen (3-D-gedruckten) Baugruppe, montiert werden, um Streulicht und Reflexionen aus dem Fahrzeuginneren (z. B. Reflexionen vom Armaturenbrett, die sich in den Windschutzscheibenspiegeln spiegeln) auszuschalten, die die Fähigkeit der Kamera zur Bilddatenerfassung beeinträchtigen könnten. Bei der Montage von Außenspiegeln können die Außenspiegel kundenspezifisch dreidimensional gedruckt werden, so dass die Kameramontageplatte der Form des Außenspiegels entspricht. In einigen Beispielen können die Kameras in den Außenspiegel integriert werden. Bei Seitenkameras können die Kameras auch in die vier Säulen an jeder Ecke der Kabine integriert werden.One or more of the cameras can be mounted in a mounting assembly, e.g. a custom (3D printed) assembly, to eliminate stray light and reflections from inside the vehicle (e.g. reflections from the dashboard reflected in the windshield mirrors) that could affect the camera’s ability to capture image data . When assembling outside mirrors, the outside mirrors can be custom-printed in three dimensions so that the camera mounting plate corresponds to the shape of the outside mirror. In some examples, the cameras may be integrated into the outside mirror. With side cameras, the cameras can also be integrated into the four pillars at each corner of the cabin.
Kameras mit einem Sichtfeld, das Teile der Umgebung vor dem Fahrzeug 700 einschließt (z. B. nach vorne gerichtete Kameras), können für die Umgebungsansicht verwendet werden, um dabei zu helfen, nach vorne gerichtete Wege und Hindernisse zu identifizieren, sowie mit Hilfe eines oder mehrerer Controller 736 und/oder Steuer-SoCs Informationen bereitzustellen, die für die Erstellung eines Belegungsgitters und/oder die Bestimmung der bevorzugten Fahrzeugwege entscheidend sind. Nach vorne gerichtete Kameras können verwendet werden, um viele der gleichen ADAS-Funktionen wie LIDAR auszuführen, einschließlich Notbremsung, Fußgängererkennung und Kollisionsvermeidung. Nach vorne gerichtete Kameras können auch für ADAS-Funktionen und -Systeme wie Spurverlassenswarnung (LDW), autonome Geschwindigkeitsregelung (ACC) und/oder andere Funktionen wie Verkehrszeichenerkennung verwendet werden.Cameras with a field of view that includes portions of the environment in front of the vehicle 700 (e.g., forward-looking cameras) can be used for the environment view to help identify forward-facing paths and obstacles, as well as using a or
Eine Vielzahl von Kameras kann in einer nach vorne gerichteten Konfiguration verwendet werden, z. B. eine monokulare Kameraplattform mit einem CMOS-Farbbildgeber (Komplementär-Metalloxid-Halbleiter). Ein weiteres Beispiel sind die Weitwinkelkamera(n) 770, die zur Wahrnehmung von Objekten verwendet werden können, die von der Peripherie her ins Blickfeld kommen (z. B. Fußgänger, kreuzende Fahrzeuge oder Fahrräder). Obwohl in
Eine oder mehrere Stereokameras 768 können auch in einer nach vorne gerichteten Konfiguration enthalten sein. Die Stereokamera(s) 768 kann/können eine integrierte Steuereinheit enthalten, die eine skalierbare Verarbeitungseinheit umfasst, die eine programmierbare Logik (FPGA) und einen Multicore-Mikroprozessor mit integrierter CAN- oder Ethernet-Schnittstelle auf einem einzigen Chip bereitstellen kann. Mit einer solchen Einheit kann eine 3-D-Karte der Fahrzeugumgebung erstellt werden, einschließlich einer Entfernungsschätzung für alle Punkte im Bild. Eine alternative Stereokamera(n) 768 kann/können einen kompakten Stereosicht-Sensor(en) umfassen, der/die zwei Kameralinsen (je eine auf der linken und rechten Seite) und einen Bildverarbeitungschip enthält/enthalten, der den Abstand zwischen dem Fahrzeug und dem Zielobjekt messen und die erzeugten Informationen (z. B. Metadaten) zur Aktivierung der autonomen Notbrems- und Spurhaltewarnfunktionen verwenden kann. Zusätzlich oder alternativ zu den hier beschriebenen Stereokameras können auch andere Typen von Stereokameras (768) verwendet werden.One or more
Kameras mit einem Sichtfeld, das Teile der Umgebung seitlich des Fahrzeugs 700 einschließt (z. B. Seitenkameras), können für die Umgebungsansicht verwendet werden und Informationen liefern, die zur Erstellung und Aktualisierung des Belegungsrasters sowie zur Erzeugung von Kollisionswarnungen bei Seitenaufprall verwendet werden. Beispielsweise können die Surround-Kamera(s) 774 (z. B. vier Surround-Kameras 774 wie in
Kameras mit einem Sichtfeld, das Teile der Umgebung hinter dem Fahrzeug 700 einschließt (z. B. Rückfahrkameras), können für die Einparkhilfe, die Umgebungsansicht, Heckkollisionswarnungen und das Erstellen und Aktualisieren des Belegungsrasters verwendet werden. Es kann eine Vielzahl von Kameras verwendet werden, einschließlich, aber nicht beschränkt auf Kameras, die auch als nach vorne gerichtete Kamera(s) geeignet sind (z. B. Fern- und/oder Mittelbereichskamera(s) 798, Stereokamera(s) 768, Infrarotkamera(s) 772 usw.), wie hier beschrieben.Cameras with a field of view that includes portions of the environment behind the vehicle 700 (e.g., backup cameras) may be used for parking assist, surround view, rear collision alerts, and creating and updating the occupancy grid. A variety of cameras may be used, including but not limited to cameras that are also suitable as front-facing camera(s) (e.g., long-range and/or mid-range camera(s) 798, stereo camera(s) 768 , infrared camera(s) 772 etc.) as described here.
Alle Komponenten, Merkmale und Systeme des Fahrzeugs 700 in
Obwohl der Bus 702 hier als CAN-Bus beschrieben wird, ist dies nicht als Einschränkung zu verstehen. Beispielsweise können zusätzlich oder alternativ zum CAN-Bus auch FlexRay und/oder Ethernet verwendet werden. Auch wenn der Bus 702 durch eine einzige Leitung dargestellt wird, ist dies nicht als Einschränkung zu verstehen. Beispielsweise kann es eine beliebige Anzahl von Bussen 702 geben, die einen oder mehrere CAN-Busse, einen oder mehrere FlexRay-Busse, einen oder mehrere Ethernet-Busse und/oder einen oder mehrere andere Arten von Bussen mit einem anderen Protokoll umfassen können. In einigen Beispielen können zwei oder mehr Busse 702 verwendet werden, um unterschiedliche Funktionen auszuführen, und/oder sie können zur Redundanz verwendet werden. So kann beispielsweise ein erster Bus 702 für die Kollisionsvermeidungsfunktionalität und ein zweiter Bus 702 für die Betätigungssteuerung verwendet werden. In jedem Beispiel kann jeder Bus 702 mit einer beliebigen Komponente des Fahrzeugs 700 kommunizieren, und zwei oder mehr Busse 702 können mit denselben Komponenten kommunizieren. In einigen Beispielen kann jeder SoC 704, jeder Controller 736 und/oder jeder Computer innerhalb des Fahrzeugs Zugriff auf dieselben Eingangsdaten haben (z. B. Eingaben von Sensoren des Fahrzeugs 700) und mit einem gemeinsamen Bus, wie dem CAN-Bus, verbunden sein.Although
Das Fahrzeug 700 kann ein oder mehrere Controller 736 enthalten, wie sie hier in Bezug auf
Das Fahrzeug 700 kann ein oder mehrere System(e) auf einem Chip (SoC) 704 enthalten. Der SoC 704 kann CPU(s) 706, GPU(s) 708, Prozessor(en) 710, Cache(s) 712, Beschleuniger 714, Datenspeicher 716 und/oder andere nicht dargestellte Komponenten und Merkmale umfassen. Der/die SoC(s) 704 kann/können zur Steuerung des Fahrzeugs 700 in einer Vielzahl von Plattformen und Systemen verwendet werden. Beispielsweise können die SoC(s) 704 in einem System (z. B. dem System des Fahrzeugs 700) mit einer HD-Karte 722 kombiniert werden, die Kartenaktualisierungen und/oder -aktualisierungen über eine Netzwerkschnittstelle 724 von einem oder mehreren Servern (z. B. dem/den Server(n) 778 der
Die CPU(s) 706 kann/können einen CPU-Cluster oder CPU-Komplex (hier auch als „CCPLEX“ bezeichnet) umfassen. Die CPU(s) 706 kann/können mehrere Kerne und/oder L2-Caches enthalten. In einigen Ausführungsformen können die CPU(s) 706 beispielsweise acht Kerne in einer kohärenten Multiprozessorkonfiguration umfassen. In einigen Ausführungsformen kann (können) die CPU(s) 706 vier Dual-Core-Cluster umfassen, wobei jeder Cluster über einen dedizierten L2-Cache verfügt (z. B. einen 2 MB L2-Cache). Die CPU(s) 706 (z. B. der CCPLEX) kann/können so konfiguriert werden, dass sie den gleichzeitigen Betrieb von Clustern unterstützt/unterstützen, so dass eine beliebige Kombination von Clustern der CPU(s) 706 zu einem bestimmten Zeitpunkt aktiv sein kann.The CPU(s) 706 may comprise a CPU cluster or CPU complex (also referred to herein as "CCPLEX"). The CPU(s) 706 may include multiple cores and/or L2 caches. For example, in some embodiments, CPU(s) 706 may include eight cores in a coherent multiprocessor configuration. In some embodiments, the CPU(s) 706 may include four dual-core clusters, with each cluster having a dedicated L2 cache (e.g., a 2MB L2 cache). The CPU(s) 706 (e.g., the CCPLEX) can be configured to support concurrent operation of clusters such that any combination of CPU(s) 706 clusters are active at any given time can be.
Die CPU(s) 706 kann/können Energieverwaltungsfunktionen implementieren, die eines oder mehrere der folgenden Merkmale umfassen: einzelne Hardwareblöcke können im Leerlauf automatisch taktgesteuert werden, um dynamische Energie zu sparen; jeder Kerntakt kann gesteuert werden, wenn der Kern aufgrund der Ausführung von WFI/WFE-Befehlen nicht aktiv Befehle ausführt; jeder Kern kann unabhängig stromgesteuert werden; jeder Kerncluster kann unabhängig taktgesteuert werden, wenn alle Kerne taktgesteuert oder stromgesteuert sind; und/oder jeder Kerncluster kann unabhängig stromgesteuert werden, wenn alle Kerne stromgesteuert sind. Die CPU(s) 706 kann/können darüber hinaus einen erweiterten Algorithmus zur Verwaltung von Energiezuständen implementieren, bei dem zulässige Energiezustände und erwartete Aufwachzeiten festgelegt werden und die Hardware/der Mikrocode den besten Energiezustand für den Kern, den Cluster und CCPLEX bestimmt. Die Prozessorkerne können vereinfachte Sequenzen für den Eintritt in den Energiezustand in Software unterstützen, wobei die Arbeit an den Mikrocode ausgelagert wird.The CPU(s) 706 may implement power management functions that include one or more of the following features: individual hardware blocks may be automatically clocked when idle to conserve dynamic power; each core clock can be controlled when the core is not actively executing commands due to the execution of WFI/WFE commands; each core can be independently current controlled; each core cluster can be independently clocked if all cores are clocked or power-driven; and/or each core cluster can be independently current controlled if all cores are current controlled. The CPU(s) 706 may also implement an advanced power state management algorithm where allowable power states and expected wake up times are set and the hardware/microcode determines the best power state for the core, cluster and CCPLEX. The processor cores may support simplified power state entry sequences in software, with the work offloaded to microcode.
Die GPUs 708 können eine integrierte GPU sein (hier alternativ als „iGPU“ bezeichnet). Die GPU(s) 708 kann/können programmierbar und für parallele Arbeitslasten effizient sein. Die GPU(s) 708 kann/können in einigen Beispielen einen erweiterten Tensor-Befehlssatz verwenden. Die GPU(s) 708 kann/können einen oder mehrere Streaming-Mikroprozessoren enthalten, wobei jeder Streaming-Mikroprozessor einen L1-Cache (z. B. einen L1-Cache mit mindestens 96 KB Speicherkapazität) enthalten kann und zwei oder mehr der Streaming-Mikroprozessoren sich einen L2-Cache (z. B. einen L2-Cache mit 512 KB Speicherkapazität) teilen können. In einigen Ausführungsformen kann die GPU (bzw. können die GPUs) 708 mindestens acht Streaming-Mikroprozessoren umfassen. Die GPU(s) 708 kann (können) eine oder mehrere Programmierschnittstellen (API(s)) für Berechnungen verwenden. Darüber hinaus können die GPU(s) 708 eine oder mehrere parallele Rechenplattformen und/oder Programmiermodelle (z. B. CUDA von NVIDIA) verwenden.The
Der/die Grafikprozessor(en) 708 kann/können für die beste Leistung in Automobil- und eingebetteten Anwendungsfällen optimiert werden. Die GPU(s) 708 kann/können beispielsweise auf einem Fin-Feldeffekttransistor (FinFET) hergestellt werden. Dies ist jedoch nicht als Einschränkung zu verstehen, und die GPU(s) 708 können auch mit anderen Halbleiterfertigungsverfahren hergestellt werden. Jeder Streaming-Mikroprozessor kann eine Anzahl von in mehrere Blöcke unterteilten gemischt-präzisen Rechenkernen enthalten. So können beispielsweise 64 PF32-Kerne und 32 PF64-Kerne in vier Verarbeitungsblöcke unterteilt werden, ohne darauf beschränkt zu sein. In einem solchen Beispiel können jedem Verarbeitungsblock 16 FP32-Kerne, 8 FP64-Kerne, 16 INT32-Kerne, zwei NVIDIA TENSOR COREs mit gemischter Präzision für Deep-Learning-Matrixarithmetik, ein L0-Befehlscache, ein Warp-Scheduler, eine Dispatch-Einheit und/oder eine 64-KB-Registerdatei zugewiesen werden. Darüber hinaus können die Streaming-Mikroprozessoren unabhängige parallele Ganzzahl- und Gleitkomma-Datenpfade enthalten, um eine effiziente Ausführung von Arbeitslasten mit einer Mischung aus Berechnungen und Adressierungsberechnungen zu ermöglichen. Die Streaming-Mikroprozessoren können eine unabhängige Thread-Planungsfunktion enthalten, um eine feinere Synchronisierung und Zusammenarbeit zwischen parallelen Threads zu ermöglichen. Die Streaming-Mikroprozessoren können einen kombinierten L1-Datencache und eine gemeinsame Speichereinheit enthalten, um die Leistung zu verbessern und gleichzeitig die Programmierung zu vereinfachen.The graphics processor(s) 708 can be optimized for best performance in automotive and embedded use cases. The GPU(s) 708 may be fabricated on a fin field effect transistor (FinFET), for example. This is not meant to be limiting, however, and the GPU(s) 708 may be fabricated using other semiconductor manufacturing processes. Each streaming microprocessor may contain a number of mixed-precision cores divided into multiple blocks. For example, but not limited to, 64 PF32 cores and 32 PF64 cores can be divided into four processing blocks. In such an example, each processing block can have 16 FP32 cores, 8 FP64 cores, 16 INT32 cores, two mixed-precision NVIDIA TENSOR COREs for deep learning matrix arithmetic, an L0 instruction cache, a warp scheduler, a dispatch unit and/or a 64 KB register file. In addition, the streaming microprocessors can include independent parallel integer and floating point data paths to enable efficient execution of workloads with a mix of computation and addressing computation. The streaming microprocessors may include an independent thread scheduling facility to allow finer granular synchronization and collaboration between parallel threads. The streaming microprocessors may include a combined L1 data cache and shared memory unit to improve performance while simplifying programming.
Der/die Grafikprozessor(en) 708 kann/können einen Speicher mit hoher Bandbreite (HBM) und/oder ein 16-GB-HBM2-Speicher-Subsystem umfassen, um in einigen Beispielen eine Spitzen-Speicherbandbreite von etwa 900 GB/Sekunde bereitzustellen. In einigen Beispielen kann zusätzlich oder alternativ zum HBM-Speicher ein synchroner Grafik-Direktzugriffsspeicher (SGRAM) verwendet werden, beispielsweise ein synchroner Grafik-Doppeldatenraten-Direktzugriffsspeicher vom Typ 5 (GDDR5).Graphics processor(s) 708 may include high bandwidth memory (HBM) and/or a 16GB HBM2 memory subsystem to provide peak memory bandwidth of about 900GB/second in some examples. In some examples, a synchronous graphics random access memory (SGRAM), such as a double data rate synchronous graphics random access memory type 5 (GDDR5), may be used in addition to or as an alternative to HBM memory.
Die GPU(s) 708 kann/können eine einheitliche Speichertechnologie mit Zugriffszählern enthalten, um eine genauere Zuweisung von Speicherseiten an den Prozessor zu ermöglichen, der am häufigsten auf sie zugreift, und so die Effizienz der von den Prozessoren gemeinsam genutzten Speicherbereiche zu verbessern. In einigen Beispielen kann die Unterstützung von Adressübersetzungsdiensten (ATS) verwendet werden, damit die GPU(s) 708 direkt auf die Seitentabellen der CPU(s) 706 zugreifen können. In solchen Beispielen kann, wenn die Speicherverwaltungseinheit (MMU) der GPU(s) 708 einen Fehler feststellt, eine Adressübersetzungsanforderung an die CPU(s) 706 übermittelt werden. Als Reaktion darauf kann die CPU(s) 706 in ihren Seitentabellen nach der virtuell-physikalischen Zuordnung für die Adresse suchen und die Übersetzung an die GPU(s) 708 zurückübertragen. So kann die Unified-Memory-Technologie einen einzigen, einheitlichen virtuellen Adressraum für den Speicher sowohl der CPU(s) 706 als auch der GPU(s) 708 ermöglichen und dadurch die Programmierung der GPU(s) 708 und die Portierung von Anwendungen auf die GPU(s) 708 vereinfachen.The GPU(s) 708 may include unified memory technology with access counters to allow more accurate allocation of memory pages to the processor that accesses them most often, thereby improving the efficiency of the memory areas shared between the processors. In some examples, address translation services (ATS) support may be used to allow GPU(s) 708 to access CPU(s) 706 page tables directly. In such examples, if the memory management unit (MMU) of the GPU(s) 708 encounters an error, an address translation request may be communicated to the CPU(s) 706. In response, the CPU(s) 706 may look up the virtual-physical mapping for the address in its page tables and transmit the translation back to the GPU(s) 708. Thus, unified memory technology can enable a single, unified virtual address space for the memory of both the CPU(s) 706 and the GPU(s) 708, thereby enabling the programming of the GPU(s) 708 and the porting of applications to the Simplify GPU(s) 708.
Darüber hinaus können die GPU(s) 708 einen Zugriffszähler enthalten, der die Häufigkeit des Zugriffs der GPU(s) 708 auf den Speicher anderer Prozessoren verfolgt. Der Zugriffszähler kann dazu beitragen, dass Speicherseiten in den physischen Speicher desjenigen Prozessors verschoben werden, der am häufigsten auf die Seiten zugreift.In addition, the GPU(s) 708 may include an access counter that tracks the number of times the GPU(s) 708 have accessed the memory of other processors. The hit counter can help move memory pages to the physical memory of the processor that is accessing the pages most frequently.
Der/die SoC(s) 704 kann/können eine beliebige Anzahl von Cache(s) 712 enthalten, einschließlich der hier beschriebenen. Der/die Cache(s) 712 kann/können beispielsweise einen L3-Cache enthalten, der sowohl der/den CPU(s) 706 als auch der/den GPU(s) 708 zur Verfügung steht (z. B. der sowohl mit der/den CPU(s) 706 als auch mit der/den GPU(s) 708 verbunden ist). Der/die Cache(s) 712 kann/können einen Write-Back-Cache umfassen, der die Zustände von Zeilen verfolgen kann, z. B. durch Verwendung eines Cache-Kohärenzprotokolls (z. B. MEI, MESI, MSI usw.). Der L3-Cache kann je nach Ausführungsform 4 MB oder mehr umfassen, obwohl auch kleinere Cache-Größen verwendet werden können.The SoC(s) 704 may include any number of cache(s) 712, including those described herein. The cache(s) 712 may include, for example, an L3 cache available to both the CPU(s) 706 and the GPU(s) 708 (e.g., shared with both the /the CPU(s) 706 as well as the GPU(s) 708). The cache(s) 712 may include a write-back cache that may track the states of lines, e.g. B. by using a cache coherency protocol (e.g. MEI, MESI, MSI, etc.). The L3 cache can be 4MB or larger depending on the embodiment, although smaller cache sizes can also be used.
Der/die SoC(s) 704 kann/können eine arithmetische Logikeinheit(en) (ALU(s)) enthalten, die bei der Durchführung von Verarbeitungen in Bezug auf eine der verschiedenen Aufgaben oder Operationen des Fahrzeugs 700 - wie der Verarbeitung von DNNs - genutzt werden kann. Darüber hinaus kann/können der/die SoC(s) 704 eine Gleitkommaeinheit(en) (FPU(s)) - oder andere mathematische Koprozessoren oder numerische Koprozessortypen - zur Durchführung mathematischer Operationen innerhalb des Systems enthalten. Beispielsweise können die SoC(s) 104 eine oder mehrere FPUs enthalten, die als Ausführungseinheiten in eine CPU(s) 706 und/oder GPU(s) 708 integriert sind.The SoC(s) 704 may include an arithmetic logic unit(s) (ALU(s)) that are used in performing processing related to one of the various tasks or operations of the vehicle 700 - such as processing DNNs - can be used. In addition, the SoC(s) 704 may include a floating point unit(s) (FPU(s)) - or other math coprocessor or numeric coprocessor type - for performing math operations within the system. For example, the SoC(s) 104 may include one or more FPUs that are integrated into a CPU(s) 706 and/or GPU(s) 708 as execution units.
Der/die SoC(s) 704 kann/können einen oder mehrere Beschleuniger 714 enthalten (z. B. Hardware-Beschleuniger, Software-Beschleuniger oder eine Kombination davon). Beispielsweise können die SoC(s) 704 einen Hardware-Beschleunigungscluster enthalten, der optimierte Hardware-Beschleuniger und/oder einen großen On-Chip-Speicher umfassen kann. Der große On-Chip-Speicher (z. B. 4 MB SRAM) kann den Hardware-Beschleunigungscluster in die Lage versetzen, neuronale Netzwerke und andere Berechnungen zu beschleunigen. Der Hardware-Beschleunigungscluster kann zur Ergänzung der GPU(s) 708 und zur Entlastung einiger Aufgaben der GPU(s) 708 verwendet werden (z. B. um mehr Zyklen der GPU(s) 708 für die Durchführung anderer Aufgaben freizugeben). Der/die Beschleuniger 714 kann/können beispielsweise für gezielte Arbeitslasten (z. B. Wahrnehmung, Faltungsneuronale Netze (CNNs) usw.) verwendet werden, die stabil genug sind, um beschleunigt werden zu können. Der hier verwendete Begriff „CNN“ kann alle Arten von CNNs umfassen, einschließlich regionenbasierter oder regionaler neuronaler Faltungsnetze (RCNNs) und schneller RCNNs (z. B. für die Objekterkennung).The SoC(s) 704 may include one or more accelerators 714 (e.g., hardware accelerators, software accelerators, or a combination thereof). For example, the SoC(s) 704 may include a hardware acceleration cluster, which may include optimized hardware accelerators and/or large on-chip memory. The large on-chip memory (e.g. 4MB SRAM) can enable the hardware acceleration cluster to accelerate neural networks and other calculations. The hardware acceleration cluster may be used to complement the GPU(s) 708 and offload some tasks from the GPU(s) 708 (e.g., to free up more cycles of the GPU(s) 708 to perform other tasks). For example, the accelerator(s) 714 may be used for targeted workloads (e.g., perception, convolutional neural networks (CNNs), etc.) that are stable enough to be accelerated. As used herein, the term "CNN" can encompass all types of CNNs, including region-based or regional convolutional neural networks (RCNNs) and fast RCNNs (eg, for object detection).
Der/die Beschleuniger 714 (z. B. der Hardware-Beschleunigungscluster) kann/können einen Deep-Learning-Beschleuniger (DLA) enthalten. Der/die DLA(s) kann/können eine oder mehrere Tensor Processing Units (TPUs) umfassen, die so konfiguriert sein können, dass sie zusätzliche zehn Billionen Operationen pro Sekunde für Deep-Learning-Anwendungen und Inferencing bereitstellen. Bei den TPUs kann es sich um Beschleuniger handeln, die für die Ausführung von Bildverarbeitungsfunktionen (z. B. für CNNs, RCNNs usw.) konfiguriert und optimiert sind. Die DLA(s) können darüber hinaus für einen bestimmten Satz von neuronalen Netzwerktypen und Gleitkommaoperationen sowie zur Inferenz optimiert sein. Das Design der DLA(s) kann mehr Leistung pro Millimeter bieten als eine Allzweck-GPU und übertrifft die Leistung einer CPU bei weitem. Die TPU(s) kann/können mehrere Funktionen ausführen, einschließlich einer Einzelinstanz-Faltungsfunktion, die z. B. INT8-, INT16- und FP16-Datentypen sowohl für Merkmale als auch für Gewichte sowie Postprozessorfunktionen unterstützt.The accelerator(s) 714 (e.g., hardware acceleration cluster) may include a deep learning accelerator (DLA). The DLA(s) may include one or more Tensor Processing Units (TPUs) that may be configured to provide an additional tens of trillion operations per second for deep learning applications and inferencing. The TPUs can be accelerators configured and optimized to perform image processing functions (e.g. for CNNs, RCNNs, etc.). The DLA(s) may also be optimized for a particular set of neural network types and floating point operations, and for inference. The design of the DLA(s) can offer more performance per millimeter than a general purpose GPU and far exceeds the performance of a CPU. The TPU(s) can perform multiple functions, including a single instance Convolution function z. B. INT8, INT16 and FP16 data types are supported for both features and weights as well as post-processor functions.
Die DLA(s) können schnell und effizient neuronale Netze, insbesondere CNNs, auf verarbeiteten oder unverarbeiteten Daten für eine Vielzahl von Funktionen ausführen, darunter beispielsweise und ohne Einschränkung: ein CNN für die Identifizierung und Erkennung von Objekten unter Verwendung von Daten von Kamerasensoren; ein CNN für die Abstandsschätzung unter Verwendung von Daten von Kamerasensoren; ein CNN für die Erkennung und Identifizierung von Einsatzfahrzeugen und die Erkennung unter Verwendung von Daten von Mikrofonen; ein CNN für die Gesichtserkennung und die Identifizierung von Fahrzeugbesitzern unter Verwendung von Daten von Kamerasensoren; und/oder ein CNN für sicherheitsrelevante Ereignisse.The DLA(s) can quickly and efficiently run neural networks, particularly CNNs, on processed or unprocessed data for a variety of functions including, without limitation: a CNN for object identification and detection using data from camera sensors; a CNN for distance estimation using data from camera sensors; a CNN for emergency vehicle detection and identification and detection using data from microphones; a CNN for facial recognition and vehicle owner identification using data from camera sensors; and/or a CNN for security-related events.
Die DLA(s) können jede Funktion der GPU(s) 708 ausführen, und durch die Verwendung eines Inferenzbeschleunigers kann ein Entwickler beispielsweise entweder die DLA(s) oder die GPU(s) 708 für eine beliebige Funktion einsetzen. Beispielsweise kann der Entwickler die Verarbeitung von CNNs und Gleitkommaoperationen auf die DLA(s) konzentrieren und andere Funktionen der GPU(s) 708 und/oder anderen Beschleunigern 714 überlassen.The DLA(s) can perform any function of the GPU(s) 708, and through use of an inference accelerator, for example, a developer can use either the DLA(s) or the GPU(s) 708 for any function. For example, the developer may concentrate the processing of CNNs and floating point operations on the DLA(s) and leave other functions to the GPU(s) 708 and/or
Der/die Beschleuniger 714 (z. B. der Hardware-Beschleunigungscluster) kann/können einen programmierbaren Bildverarbeitungsbeschleuniger (PVA) umfassen, der hier alternativ auch als Computer-Vision-Beschleuniger bezeichnet werden kann. Der/die PVA(s) kann/können zur Beschleunigung von Computervision-Algorithmen für fortschrittliche Fahrerassistenzsysteme (ADAS), autonomes Fahren und/oder Augmented-Reality- (AR) und/oder Virtual-Reality- (VR) Anwendungen entwickelt und konfiguriert werden. Die PVA(s) können ein Gleichgewicht zwischen Leistung und Flexibilität bieten. So kann jede PVA beispielsweise und ohne Einschränkung eine beliebige Anzahl von RISC-Kernen (Computer mit reduziertem Befehlssatz), direkten Speicherzugriff (DMA) und/oder eine beliebige Anzahl von Vektorprozessoren umfassen.The accelerator(s) 714 (e.g., hardware acceleration cluster) may include a programmable image processing accelerator (PVA), which may alternatively be referred to herein as a computer vision accelerator. The PVA(s) can be developed and configured to accelerate computer vision algorithms for advanced driver assistance systems (ADAS), autonomous driving, and/or augmented reality (AR) and/or virtual reality (VR) applications . The PVA(s) can provide a balance between performance and flexibility. For example, and without limitation, each PVA may include any number of reduced instruction set computer (RISC) cores, direct memory access (DMA), and/or any number of vector processors.
Die RISC-Kerne können mit Bildsensoren (z. B. den Bildsensoren einer der hier beschriebenen Kameras), Bildsignalprozessoren und/oder dergleichen zusammenwirken. Jeder der RISC-Kerne kann eine beliebige Menge an Speicher enthalten. Die RISC-Kerne können je nach Ausführungsform eine beliebige Anzahl von Protokollen verwenden. In einigen Beispielen können die RISC-Kerne ein Echtzeitbetriebssystem (RTOS) ausführen. Die RISC-Kerne können mit einem oder mehreren integrierten Schaltungen, anwendungsspezifischen integrierten Schaltungen (ASICs) und/oder Speicherbausteinen implementiert werden. Die RISC-Kerne können beispielsweise einen Befehls-Cache und/oder ein eng gekoppeltes RAM enthalten.The RISC cores can interact with image sensors (e.g. the image sensors of one of the cameras described here), image signal processors and/or the like. Each of the RISC cores can contain any amount of memory. The RISC cores can use any number of protocols depending on the embodiment. In some examples, the RISC cores can run a real-time operating system (RTOS). The RISC cores can be implemented with one or more integrated circuits, application specific integrated circuits (ASICs), and/or memory devices. The RISC cores may include, for example, an instruction cache and/or tightly coupled RAM.
Der DMA kann es Komponenten der PVA(s) ermöglichen, unabhängig von der/den CPU(s) 706 auf den Systemspeicher zuzugreifen. Der DMA kann eine beliebige Anzahl von Funktionen unterstützen, die zur Optimierung der PVA verwendet werden, einschließlich, aber nicht beschränkt auf die Unterstützung von mehrdimensionaler Adressierung und/oder zirkulärer Adressierung. In einigen Beispielen kann der DMA bis zu sechs oder mehr Dimensionen der Adressierung unterstützen, die Blockbreite, Blockhöhe, Blocktiefe, horizontale Blockabstufung, vertikale Blockabstufung und/oder Tiefenabstufung umfassen können.DMA may allow components of the PVA(s) to access system memory independently of the CPU(s) 706. The DMA can support any number of functions used to optimize the PVA, including but not limited to supporting multi-dimensional addressing and/or circular addressing. In some examples, the DMA may support up to six or more dimensions of addressing, which may include block width, block height, block depth, horizontal block gradation, vertical block gradation, and/or depth gradation.
Bei den Vektorprozessoren kann es sich um programmierbare Prozessoren handeln, die so konzipiert sein können, dass sie die Programmierung von Computer-Vision-Algorithmen effizient und flexibel ausführen und Signalverarbeitungsfunktionen bereitstellen. In einigen Beispielen kann die PVA einen PVA-Kern und zwei Vektorverarbeitungs-Subsystem-Partitionen umfassen. Der PVA-Kem kann ein Prozessor-Subsystem, DMA-Engine(s) (z.B. zwei DMA-Engines) und/oder andere Peripheriegeräte umfassen. Das Vektorverarbeitungs-Teilsystem kann als primäre Verarbeitungseinheit der PVA fungieren und eine Vektorverarbeitungseinheit (VPU), einen Befehlscache und/oder einen Vektorspeicher (z. B. VMEM) umfassen. Ein VPU-Kern kann einen digitalen Signalprozessor wie beispielsweise einen SIMD-Digitalprozessor (Single Instruction, Multiple Data) mit sehr langen Befehlsworten (VLIW) umfassen. Die Kombination von SIMD und VLIW kann den Durchsatz und die Geschwindigkeit erhöhen.The vector processors can be programmable processors that can be designed to efficiently and flexibly perform computer vision algorithm programming and provide signal processing functions. In some examples, the PVA may include a PVA core and two vector processing subsystem partitions. The PVA core may include a processor subsystem, DMA engine(s) (e.g., two DMA engines), and/or other peripherals. The vector processing subsystem may function as the primary processing unit of the PVA and may include a vector processing unit (VPU), an instruction cache, and/or vector memory (e.g., VMEM). A VPU core may include a digital signal processor such as a SIMD (single instruction, multiple data) digital processor with very long instruction words (VLIW). The combination of SIMD and VLIW can increase throughput and speed.
Jeder der Vektorprozessoren kann einen Befehls-Cache enthalten und mit einem dedizierten Speicher verbunden sein. Daher kann in einigen Beispielen jeder der Vektorprozessoren so konfiguriert sein, dass er unabhängig von den anderen Vektorprozessoren arbeitet. In anderen Beispielen können die Vektorprozessoren, die in einer bestimmten PVA enthalten sind, so konfiguriert sein, dass sie Datenparallelität verwenden. In einigen Ausführungsformen kann beispielsweise die Mehrzahl der in einer einzigen PVA enthaltenen Vektorprozessoren denselben Computer-Vision-Algorithmus ausführen, jedoch für unterschiedliche Bereiche eines Bildes. In anderen Beispielen können die in einer bestimmten PVA enthaltenen Vektorprozessoren gleichzeitig verschiedene Computer-Vision-Algorithmen für dasselbe Bild oder sogar verschiedene Algorithmen für aufeinander folgende Bilder oder Teile eines Bildes ausführen. Unter anderem kann eine beliebige Anzahl von PVAs im Hardware-Beschleunigungscluster enthalten sein und eine beliebige Anzahl von Vektorprozessoren in jeder der PVAs. Darüber hinaus können die PVA(s) einen zusätzlichen Fehlerkorrekturcode (ECC) Speicher enthalten, um die Sicherheit des Gesamtsystems zu erhöhen.Each of the vector processors may include an instruction cache and may be associated with dedicated memory. Therefore, in some examples, each of the vector processors can be configured to operate independently of the other vector processors. In other examples, the vector processors included in a particular PVA may be configured to use data parallelism. For example, in some embodiments, the plurality of vector processors included in a single PVA may execute the same computer vision algorithm, but for different regions of an image. In other examples, the vector processors included in a particular PVA may simultaneously run different computer vision algorithms on the same image, or even different algorithms on consecutive images or portions of an image. Among other things, any number of PVAs in the hardware acceleration cluster and any number of vector processors in each of the PVAs. In addition, the PVA(s) may include additional error correction code (ECC) memory to increase overall system security.
Der (die) Beschleuniger 714 (z. B. der Hardware-Beschleunigungscluster) kann (können) ein Computer-Vision-Netzwerk auf dem Chip und SRAM enthalten, um ein SRAM mit hoher Bandbreite und niedriger Latenz für den (die) Beschleuniger 714 bereitzustellen. In einigen Beispielen kann der On-Chip-Speicher mindestens 4 MB SRAM umfassen, der beispielsweise und ohne Einschränkung aus acht feldkonfigurierbaren Speicherblöcken besteht, auf die sowohl die PVA als auch die DLA zugreifen können. Jedes Paar von Speicherblöcken kann eine APB-Schnittstelle (Advanced Peripheral Bus), Konfigurationsschaltungen, einen Controller und einen Multiplexer umfassen. Es kann jeder beliebige Speichertyp verwendet werden. Die PVA und die DLA können auf den Speicher über ein Backbone zugreifen, das der PVA und der DLA einen Hochgeschwindigkeitszugriff auf den Speicher ermöglicht. Das Backbone kann ein Computer-Vision-Netzwerk auf dem Chip umfassen, das die PVA und die DLA mit dem Speicher verbindet (z. B. unter Verwendung des APB).The accelerator(s) 714 (e.g., hardware acceleration cluster) may include an on-chip computer vision network and SRAM to provide high-bandwidth, low-latency SRAM for the accelerator(s) 714 . In some examples, the on-chip memory may include at least 4MB of SRAM consisting of, for example and without limitation, eight field-configurable memory blocks accessible to both the PVA and the DLA. Each pair of memory blocks may include an Advanced Peripheral Bus (APB) interface, configuration circuitry, a controller, and a multiplexer. Any type of memory can be used. The PVA and the DLA can access the storage over a backbone that allows the PVA and the DLA to access the storage at high speed. The backbone may include an on-chip computer vision network that connects the PVA and DLA to memory (e.g., using the APB).
Das Computervision-Netz auf dem Chip kann eine Schnittstelle enthalten, die vor der Übertragung von Steuersignalen/Adressen/Daten feststellt, dass sowohl die PVA als auch die DLA einsatzbereite und gültige Signale liefern. Eine solche Schnittstelle kann getrennte Phasen und getrennte Kanäle für die Übertragung von Steuersignalen/Adressen/Daten sowie eine Burst-Kommunikation für die kontinuierliche Datenübertragung vorsehen. Diese Art von Schnittstelle kann den Normen
In einigen Beispielen können die SoC(s) 704 einen Echtzeit-Raytracing-Hardwarebeschleuniger enthalten, wie er in der
Der/die Beschleuniger 714 (z. B. der Hardware-Beschleuniger-Cluster) kann/können für das autonome Fahren auf vielfältige Weise eingesetzt werden. Der PVA kann ein programmierbarer Bildverarbeitungsbeschleuniger sein, der für wichtige Verarbeitungsschritte in ADAS und autonomen Fahrzeugen verwendet werden kann. Die Fähigkeiten der PVA eignen sich gut für algorithmische Bereiche, die eine vorhersehbare Verarbeitung bei geringem Stromverbrauch und geringer Latenzzeit erfordern. Mit anderen Worten: Die PVA eignet sich gut für halbdichte oder dichte reguläre Berechnungen, selbst bei kleinen Datensätzen, die vorhersehbare Laufzeiten mit geringer Latenz und geringem Stromverbrauch erfordern. Im Zusammenhang mit Plattformen für autonome Fahrzeuge sind die PVAs daher für die Ausführung klassischer Computer-Vision-Algorithmen konzipiert, da sie bei der Objekterkennung und der Verarbeitung ganzzahliger mathematischer Daten effizient sind.The accelerator(s) 714 (e.g., hardware accelerator cluster) can be used for autonomous driving in a variety of ways. The PVA can be a programmable image processing accelerator that can be used for key processing steps in ADAS and autonomous vehicles. The capabilities of the PVA are well suited to algorithmic domains that require predictable processing with low power consumption and low latency. In other words, the PVA is well suited for semi-dense or dense regular computations, even with small data sets that require predictable runtimes with low latency and low power consumption. In the context of autonomous vehicle platforms, the PVAs are therefore designed to run classic computer vision algorithms, as they are efficient in object recognition and processing of integer mathematical data.
Bei einer Ausführungsform der Technologie wird die PVA beispielsweise für die Durchführung von Computer-Stereosicht verwendet. In einigen Beispielen kann ein auf semiglobaler Anpassung basierender Algorithmus verwendet werden, obwohl dies nicht als Einschränkung gedacht ist. Viele Anwendungen für das autonome Fahren der Stufen 3 bis 5 erfordern eine Bewegungsabschätzung/Stereoabgleich während der Fahrt (z. B. Struktur aus Bewegung, Fußgängererkennung, Fahrspurerkennung usw.). Die PVA kann eine Computer-Stereosichtfunktion mit Eingaben von zwei monokularen Kameras durchführen.For example, in one embodiment of the technology, the PVA is used to perform computer stereo vision. In some examples, an algorithm based on semi-global adaptation may be used, although this is not intended as a limitation. Many Level 3-5 autonomous driving applications require motion estimation/stereo matching while driving (e.g. texture from motion, pedestrian detection, lane detection, etc.). The PVA can perform a computer stereo vision function with inputs from two monocular cameras.
In einigen Beispielen kann die PVA verwendet werden, um einen dichten optischen Fluss durchzuführen. Entsprechend der Verarbeitung von RADAR-Rohdaten (z. B. unter Verwendung einer 4D-Fast-Fourier-Transformation), um verarbeitete RADAR-Daten zu erhalten. In anderen Beispielen wird die PVA für die Verarbeitung von Flugzeittiefendaten verwendet, z. B. durch Verarbeitung von Flugzeit-Rohdaten, um verarbeitete Flugzeitdaten zu erhalten.In some examples, the PVA can be used to perform dense optical flow. Corresponding to the processing of raw RADAR data (e.g. using a 4D Fast Fourier Transform) to obtain processed RADAR data. In other examples, the PVA is used for processing flight time depth data, e.g. B. by processing raw time-of-flight data to obtain processed time-of-flight data.
Mit dem DLA kann jede Art von Netzwerk betrieben werden, um die Kontrolle und die Fahrsicherheit zu verbessern, z. B. ein neuronales Netzwerk, das für jede Objekterkennung einen Vertrauenswert ausgibt. Ein solcher Konfidenzwert kann als Wahrscheinlichkeit oder als relative „Gewichtung“ der einzelnen Erkennungen im Vergleich zu anderen Erkennungen interpretiert werden. Dieser Konfidenzwert ermöglicht es dem System, weitere Entscheidungen darüber zu treffen, welche Erkennungen als echte positive Erkennungen und welche als falsch-positive Erkennungen betrachtet werden sollten. So kann das System beispielsweise einen Schwellenwert für die Konfidenz festlegen und nur die Erkennungen, die diesen Schwellenwert überschreiten, als echte positive Erkennungen betrachten. In einem automatischen Notbremssystem (AEB) würden falsch positive Erkennungen dazu führen, dass das Fahrzeug automatisch eine Notbremsung durchführt, was natürlich unerwünscht ist. Daher sollten nur die sichersten Erkennungen als Auslöser für AEB in Betracht gezogen werden. Die DLA kann ein neuronales Netz zur Regression des Vertrauenswertes einsetzen. Das neuronale Netz kann als Eingabe mindestens eine Teilmenge von Parametern verwenden, wie z. B. die Abmessungen des Begrenzungsrahmens, die (z. B. von einem anderen Teilsystem) erhaltene Schätzung der Bodenebene, die Ausgabe des IMU-Sensors 766, die mit der Ausrichtung des Fahrzeugs 700 korreliert, die Entfernung, die Schätzungen der 3D-Position des Objekts, die vom neuronalen Netz und/oder anderen Sensoren (z. B. LIDAR-Sensor(en) 764 oder RADAR-Sensor(en) 760) erhalten werden, und andere.Any type of network can be operated with the DLA to improve control and driving safety, e.g. B. a neural network that outputs a confidence value for each object detection. Such a confidence value can be interpreted as a probability or a relative "weight" of each detection compared to other detections. This confidence value allows the system to make further decisions about which detections are considered true positives and which which should be considered as false positive detections. For example, the system can set a confidence threshold and only consider detections that exceed this threshold as true positive detections. In an Automatic Emergency Braking (AEB) system, false positive detections would result in the vehicle automatically performing emergency braking, which is clearly undesirable. Therefore, only the safest detections should be considered as triggers for AEB. The DLA can use a neural network to regress the confidence value. The neural network can take as input at least a subset of parameters such as: B. the dimensions of the bounding box, the estimate of the ground plane obtained (e.g. from another subsystem), the output of the
Der/die SoC(s) 704 kann/können Datenspeicher 716 (z. B. Speicher) enthalten. Bei dem/den Datenspeicher(n) 716 kann es sich um einen On-Chip-Speicher des/der SoC(s) 704 handeln, in dem neuronale Netze gespeichert werden können, die auf der GPU und/oder dem DLA ausgeführt werden sollen. In einigen Beispielen kann die Kapazität des/der Datenspeichers) 716 groß genug sein, um mehrere Instanzen von neuronalen Netzen zur Redundanz und Sicherheit zu speichern. Der/die Datenspeicher 712 kann/können L2 oder L3 Cache(s) 712 umfassen. Der Verweis auf den/die Datenspeicher 716 kann einen Verweis auf den Speicher beinhalten, der mit der PVA, DLA und/oder anderen Beschleunigern 714 verbunden ist, wie hier beschrieben.The SoC(s) 704 may include data storage 716 (e.g., memory). The data store(s) 716 may be on-chip memory of the SoC(s) 704 that may store neural networks to be executed on the GPU and/or the DLA. In some examples, the capacity of the data store(s) 716 may be large enough to store multiple instances of neural networks for redundancy and security. The data store(s) 712 may include L2 or L3 cache(s) 712. The reference to the data store(s) 716 may include a reference to the memory associated with the PVA, DLA, and/or
Der/die SoC(s) 704 kann/können einen oder mehrere Prozessor(en) 710 (z. B. eingebettete Prozessoren) enthalten. Der (die) Prozessor(en) 710 kann (können) einen Boot- und Energieverwaltungsprozessor umfassen, der ein dedizierter Prozessor und ein Subsystem sein kann, um Boot-Energie- und Verwaltungsfunktionen und die damit verbundene Sicherheitsdurchsetzung zu handhaben. Der Boot- und Energieverwaltungsprozessor kann Teil der Bootsequenz des/der SoC(s) 704 sein und kann Laufzeit-Energieverwaltungsdienste bereitstellen. Der Boot-Energieversorgungs- und -Verwaltungsprozessor kann Takt- und Spannungsprogrammierung, Unterstützung bei Systemübergängen in einen Zustand mit niedriger Leistung, Verwaltung von SoC(s) 704-Temperaturen und Temperatursensoren und/oder Verwaltung der SoC(s) 704-Energieversorgungszustände bieten. Jeder Temperatursensor kann als Ringoszillator implementiert sein, dessen Ausgangsfrequenz proportional zur Temperatur ist, und der/die SoC(s) 704 kann/können die Ringoszillatoren verwenden, um die Temperaturen der CPU(s) 706, der GPU(s) 708 und/oder des/der Beschleuniger(s) 714 zu erfassen. Wenn festgestellt wird, dass die Temperaturen einen Schwellenwert überschreiten, kann der Boot- und Energieverwaltungsprozessor in eine Temperaturfehlerroutine eintreten und den/die SoC(s) 704 in einen Zustand mit geringerer Leistung versetzen und/oder das Fahrzeug 700 in einen Chauffeur-zu-sicherem-Halt-Modus versetzen (z. B. das Fahrzeug 700 zu einem sicheren Halt bringen).The SoC(s) 704 may include one or more processor(s) 710 (e.g., embedded processors). The processor(s) 710 may include a boot and power management processor, which may be a dedicated processor and subsystem to handle boot power and management functions and associated security enforcement. The boot and power management processor may be part of the boot sequence of the SoC(s) 704 and may provide runtime power management services. The boot power and management processor may provide clock and voltage programming, support for system transitions to a low power state, management of SoC(s) 704 temperatures and temperature sensors, and/or management of the SoC(s) 704 power states. Each temperature sensor may be implemented as a ring oscillator whose output frequency is proportional to temperature, and the SoC(s) 704 may use the ring oscillators to measure the temperatures of the CPU(s) 706, GPU(s) 708, and/or of the accelerator(s) 714 to detect. If temperatures are determined to exceed a threshold, the boot and power management processor may enter a temperature fault routine and place the SoC(s) 704 in a lower power state and/or the
Der (die) Prozessor(en) 710 kann (können) außerdem eine Reihe eingebetteter Prozessoren enthalten, die als Audioverarbeitungsmodul dienen können. Bei der Audioverarbeitungs-Engine kann es sich um ein Audio-Subsystem handeln, das eine vollständige Hardware-Unterstützung für Mehrkanal-Audio über mehrere Schnittstellen sowie eine breite und flexible Palette von Audio-I/O-Schnittstellen ermöglicht. In einigen Beispielen ist die Audioverarbeitungs-Engine ein dedizierter Prozessorkern mit einem digitalen Signalprozessor mit dediziertem RAM.The processor(s) 710 may also include a number of embedded processors that may serve as an audio processing module. The audio processing engine can be an audio subsystem that enables full hardware support for multi-channel audio across multiple interfaces and a wide and flexible range of audio I/O interfaces. In some examples, the audio processing engine is a dedicated processing core with a digital signal processor with dedicated RAM.
Der (die) Prozessor(en) 710 kann (können) außerdem eine ständig eingeschaltete Prozessor-Engine enthalten, die die notwendigen Hardware-Funktionen zur Unterstützung der Sensorverwaltung mit geringem Stromverbrauch und des Aufwachens von Anwendungsfällen bereitstellen kann. Die ständig eingeschaltete Prozessor-Engine kann einen Prozessorkern, einen eng gekoppelten Arbeitsspeicher, unterstützende Peripheriegeräte (z. B. Zeitgeber und Interrupt-Controller), verschiedene I/O-Controller-Peripheriegeräte und Routing-Logik umfassen.The processor(s) 710 may also include an always-on processor engine that can provide the necessary hardware functions to support low-power sensor management and wake-up use cases. The always-on processor engine may include a processor core, tightly coupled memory, supporting peripherals (e.g., timers and interrupt controllers), various I/O controller peripherals, and routing logic.
Der (die) Prozessor(en) 710 kann (können) außerdem eine Sicherheits-Cluster-Engine enthalten, die ein spezielles Prozessor-Subsystem für das Sicherheitsmanagement von Kfz-Anwendungen umfasst. Die Sicherheits-Cluster-Engine kann zwei oder mehr Prozessorkerne, einen eng gekoppelten Arbeitsspeicher, unterstützende Peripheriegeräte (z. B. Zeitgeber, einen Interrupt-Controller usw.) und/oder eine Routing-Logik umfassen. In einem Sicherheitsmodus können die zwei oder mehr Kerne in einem Gleichschrittmodus arbeiten und als ein einziger Kern mit einer Vergleichslogik zur Erkennung von Unterschieden zwischen ihren Operationen fungieren.The processor(s) 710 may also include a security cluster engine that includes a dedicated processor subsystem for security management of automotive applications. The security cluster engine may include two or more processor cores, tightly coupled memory, supporting peripherals (e.g., timers, an interrupt controller, etc.), and/or routing logic. In a security mode, the two or more cores can operate in lockstep mode and act as a single core with comparison logic to detect differences between their operations.
Der/die Prozessor(en) 710 kann/können außerdem eine Echtzeit-Kamera-Engine enthalten, die ein spezielles Prozessor-Subsystem für die Verwaltung der Echtzeit-Kamera umfassen kann.The processor(s) 710 may also include a real-time camera engine, which may include a dedicated processor subsystem for managing the real-time camera.
Der (die) Prozessor(en) 710 kann (können) außerdem einen Signalprozessor mit hohem Dynamikbereich enthalten, der einen Bildsignalprozessor umfassen kann, der eine Hardware-Engine ist, die Teil der Kameraverarbeitungspipeline ist.The processor(s) 710 may also include a high dynamic range signal processor, which may include an image signal processor, which is a hardware engine that is part of the camera processing pipeline.
Der/die Prozessor(en) 710 kann/können einen Videobild-Compositor enthalten, der ein Verarbeitungsblock sein kann (z. B. auf einem Mikroprozessor implementiert), der Videonachbearbeitungsfunktionen implementiert, die von einer Videowiedergabeanwendung benötigt werden, um das endgültige Bild für das Player-Fenster zu erzeugen. Der Videobild-Compositor kann eine Linsenverzerrungskorrektur an der (den) Weitwinkelkamera(s) 770, an der (den) Surround-Kamera(s) 774 und/oder an den Sensoren der Überwachungskamera in der Kabine vornehmen. Der kabineninterne Überwachungskamerasensor wird vorzugsweise von einem neuronalen Netz überwacht, das auf einer anderen Instanz des Advanced SoC läuft und so konfiguriert ist, dass es Ereignisse in der Kabine erkennt und entsprechend reagiert. Ein System in der Kabine kann Lippenlesen durchführen, um den Mobilfunkdienst zu aktivieren und einen Anruf zu tätigen, E-Mails zu diktieren, den Zielort des Fahrzeugs zu ändern, das Infotainmentsystem und die Einstellungen des Fahrzeugs zu aktivieren oder zu ändern oder sprachgesteuertes Surfen im Internet zu ermöglichen. Bestimmte Funktionen stehen dem Fahrer nur zur Verfügung, wenn das Fahrzeug in einem autonomen Modus betrieben wird, und sind ansonsten deaktiviert.The processor(s) 710 may include a video image compositor, which may be a processing block (e.g., implemented on a microprocessor) that implements video post-processing functions required by a video playback application to produce the final image for the to create a player window. The video image compositor may apply lens distortion correction to the wide-angle camera(s) 770, to the surround camera(s) 774, and/or to the cabin surveillance camera sensors. The in-cabin security camera sensor is preferably monitored by a neural network running on another instance of the Advanced SoC, configured to detect events in the cabin and respond accordingly. A system in the cabin can perform lip-reading to activate cellular service and make a call, dictate email, change the vehicle's destination, activate or change the vehicle's infotainment system and settings, or voice-controlled web browsing to allow. Certain features are only available to the driver when the vehicle is operating in an autonomous mode and are otherwise disabled.
Der Videobild-Compositor kann eine verbesserte zeitliche Rauschunterdrückung sowohl zur räumlichen als auch zur zeitlichen Rauschunterdrückung enthalten. Tritt beispielsweise Bewegung in einem Video auf, gewichtet die Rauschunterdrückung die räumlichen Informationen entsprechend und verringert das Gewicht der Informationen, die von benachbarten Bildern stammen. Wenn ein Bild oder ein Teil eines Bildes keine Bewegung enthält, kann die vom Video-Compositor durchgeführte zeitliche Rauschunterdrückung Informationen aus dem vorherigen Bild verwenden, um das Rauschen im aktuellen Bild zu reduzieren.The video image compositor can include enhanced temporal denoising for both spatial and temporal denoising. For example, if there is movement in a video, noise reduction will weight the spatial information appropriately and reduce the weight of the information coming from neighboring frames. When there is no motion in a frame or part of a frame, the temporal noise reduction performed by the video compositor can use information from the previous frame to reduce noise in the current frame.
Der Videobild-Compositor kann auch so konfiguriert sein, dass er eine Stereoentzerrung der eingegebenen Stereoobjektivbilder durchführt. Der Videobild-Compositor kann außerdem für die Gestaltung der Benutzeroberfläche verwendet werden, wenn der Desktop des Betriebssystems in Gebrauch ist und die GPU(s) 708 nicht ständig neue Oberflächen rendern muss. Selbst wenn der/die Grafikprozessor(en) 708 eingeschaltet und aktiv mit dem 3D-Rendering beschäftigt ist/sind, kann der Videobild-Compositor verwendet werden, um den/die Grafikprozessor(en) 708 zu entlasten und die Leistung und Reaktionsfähigkeit zu verbessern.The video image compositor can also be configured to perform stereo de-emphasis on the input stereo lens images. The video image compositor can also be used for user interface rendering when the operating system desktop is in use and the GPU(s) 708 does not need to constantly render new interfaces. Even when the graphics processor(s) 708 is on and actively engaged in 3D rendering, the video image compositor can be used to offload the graphics processor(s) 708 and improve performance and responsiveness.
Der/die SoC(s) 704 kann/können außerdem eine serielle MIPI-Kameraschnittstelle zum Empfang von Video und Eingaben von Kameras, eine Hochgeschwindigkeitsschnittstelle und/oder einen Videoeingabeblock enthalten, der für Kamera- und verwandte Pixeleingabefunktionen verwendet werden kann. Der/die SoC(s) 704 kann/können außerdem einen Eingangs-/Ausgangs-Controller enthalten, der/die durch Software gesteuert werden kann/können und für den Empfang von I/O-Signalen verwendet werden kann/können, die nicht an eine bestimmte Rolle gebunden sind.The SoC(s) 704 may also include a MIPI serial camera interface for receiving video and input from cameras, a high-speed interface, and/or a video input block that can be used for camera and related pixel input functions. The SoC(s) 704 may also include an input/output controller(s) that may be controlled by software and used to receive I/O signals that are not on are tied to a specific role.
Der/die SoC(s) 704 kann/können außerdem eine breite Palette von Peripherieschnittstellen enthalten, um die Kommunikation mit Peripheriegeräten, Audiocodecs, Energieverwaltung und/oder anderen Geräten zu ermöglichen. Der/die SoC(s) 704 kann/können zur Verarbeitung von Daten von Kameras (z. B. verbunden über Gigabit Multimedia Serial Link und Ethernet), Sensoren (z. B. LIDAR-Sensor(en) 764, RADAR-Sensor(en) 760 usw., die über Ethernet verbunden sein können), Daten vom Bus 702 (z. B. Geschwindigkeit des Fahrzeugs 700, Lenkradposition usw.), Daten von GNSS-Sensor(en) 758 (z. B. verbunden über Ethernet oder CAN-Bus) verwendet werden. Der (die) SoC(s) 704 kann (können) ferner spezielle Hochleistungs-Massenspeicher-Controller enthalten, die ihre eigenen DMA-Engines enthalten können und die dazu verwendet werden können, die CPU(s) 706 von routinemäßigen Datenverwaltungsaufgaben zu entlasten.The SoC(s) 704 may also include a wide range of peripheral interfaces to enable communication with peripherals, audio codecs, power management, and/or other devices. The SoC(s) 704 can be used to process data from cameras (e.g., connected via Gigabit Multimedia Serial Link and Ethernet), sensors (e.g., LIDAR sensor(s) 764, RADAR sensor( en) 760, etc., which may be connected via Ethernet), data from bus 702 (e.g.,
Der/die SoC(s) 704 kann/können eine End-to-End-Plattform mit einer flexiblen Architektur sein, die die Automatisierungsstufen 3 bis 5 abdeckt und dadurch eine umfassende funktionale Sicherheitsarchitektur bietet, die Computer-Vision- und ADAS-Techniken für Diversität und Redundanz nutzt und eine Plattform für einen flexiblen, zuverlässigen Fahrsoftware-Stack zusammen mit Deep-Learning-Tools bereitstellt. Die SoC(s) 704 können schneller, zuverlässiger und sogar energie- und platzsparender sein als herkömmliche Systeme. Beispielsweise kann der/die Beschleuniger 714 in Kombination mit der/den CPU(s) 706, der/den GPU(s) 708 und dem/den Datenspeicher(n) 716 eine schnelle, effiziente Plattform für autonome Fahrzeuge der Stufe 3-5 bilden.The SoC(s) 704 can be an end-to-end platform with a flexible architecture that covers automation levels 3 to 5 and thereby offers a comprehensive functional security architecture that uses computer vision and ADAS techniques for Leverages diversity and redundancy, providing a platform for a flexible, reliable driving software stack along with deep learning tools. The SoC(s) 704 can be faster, more reliable, and even more power and space efficient than traditional systems. For example, the accelerator(s) 714 in combination with the CPU(s) 706, the GPU(s) 708, and the data storage(s) 716 can form a fast, efficient platform for level 3-5 autonomous vehicles .
Die Technologie bietet somit Fähigkeiten und Funktionen, die mit herkömmlichen Systemen nicht erreicht werden können. Beispielsweise können Computer-Vision-Algorithmen auf CPUs ausgeführt werden, die mit Hilfe von Hochsprachen wie der Programmiersprache C so konfiguriert werden können, dass sie eine Vielzahl von Verarbeitungsalgorithmen für eine Vielzahl von Bilddaten ausführen können. Allerdings sind CPUs oft nicht in der Lage, die Leistungsanforderungen vieler Bildverarbeitungsanwendungen zu erfüllen, z. B. in Bezug auf die Ausführungszeit und den Stromverbrauch. Insbesondere sind viele CPUs nicht in der Lage, komplexe Objekterkennungsalgorithmen in Echtzeit auszuführen, was eine Voraussetzung für fahrzeuginterne ADAS-Anwendungen und eine Voraussetzung für praktische autonome Fahrzeuge der Stufe 3-5 ist.The technology thus offers capabilities and functions that cannot be achieved with conventional systems. For example, computer vision algorithms can run on CPUs that can be configured to run a variety of processing algorithms using high-level languages such as the C programming language for a variety of image data. However, CPUs are often unable to meet the performance requirements of many image processing applications, e.g. B. in terms of execution time and power consumption. In particular, many CPUs are unable to execute complex object detection algorithms in real time, which is a requirement for in-vehicle ADAS applications and a requirement for practical Level 3-5 autonomous vehicles.
Im Gegensatz zu herkömmlichen Systemen ermöglicht die hier beschriebene Technologie durch die Bereitstellung eines CPU-Komplexes, eines GPU-Komplexes und eines Hardware-Beschleunigungs-Clusters, dass mehrere neuronale Netze gleichzeitig und/oder nacheinander ausgeführt und die Ergebnisse miteinander kombiniert werden können, um autonome Fahrfunktionen der Stufe 3-5 zu ermöglichen. Beispielsweise kann ein CNN, das auf der DLA oder dGPU (z. B. die GPU(s) 720) ausgeführt wird, eine Text- und Worterkennung umfassen, die es dem Supercomputer ermöglicht, Verkehrsschilder zu lesen und zu verstehen, einschließlich Schildern, für die das neuronale Netz nicht speziell trainiert wurde. Die DLA kann ferner ein neuronales Netz enthalten, das in der Lage ist, das Verkehrszeichen zu identifizieren, zu interpretieren und semantisch zu verstehen und dieses semantische Verständnis an die auf dem CPU-Komplex laufenden Wegplanungsmodule weiterzugeben.In contrast to traditional systems, the technology described here, by providing a CPU complex, a GPU complex and a hardware acceleration cluster, allows multiple neural networks to run simultaneously and/or sequentially and the results to be combined with each other to create autonomous Enable level 3-5 driving functions. For example, a CNN running on the DLA or dGPU (e.g., the GPU(s) 720) may include text and word recognition that enables the supercomputer to read and understand traffic signs, including road signs, for which the neural network has not been specially trained. The DLA may further include a neural network capable of identifying, interpreting and semantically understanding the traffic sign and passing this semantic understanding to the path planning modules running on the CPU complex.
Ein weiteres Beispiel ist, dass mehrere neuronale Netze gleichzeitig betrieben werden können, wie es für das Fahren der Stufen 3, 4 oder 5 erforderlich ist. So kann beispielsweise ein Warnschild mit der Aufschrift „Vorsicht: Blinkende Lichter weisen auf Glatteis hin“ zusammen mit einem elektrischen Licht von mehreren neuronalen Netzen unabhängig oder gemeinsam interpretiert werden. Das Schild selbst kann von einem ersten eingesetzten neuronalen Netz (z. B. einem trainierten neuronalen Netz) als Verkehrsschild identifiziert werden, der Text „Blinkende Lichter deuten auf Glatteis hin“ kann von einem zweiten eingesetzten neuronalen Netz interpretiert werden, das die Wegplanungssoftware des Fahrzeugs (die vorzugsweise auf dem CPU-Komplex ausgeführt wird) darüber informiert, dass beim Erkennen blinkender Lichter Glatteis vorliegt. Das Blinklicht kann durch den Betrieb eines dritten neuronalen Netzes über mehrere Frames hinweg identifiziert werden, das die Wegplanungssoftware des Fahrzeugs über das Vorhandensein (oder Fehlen) von Blinklichtern informiert. Alle drei neuronalen Netze können gleichzeitig laufen, z. B. innerhalb der DLA und/oder auf der/den GPU(s) 708.Another example is that multiple neural networks can be operated simultaneously as required for level 3, 4 or 5 driving. For example, a warning sign reading “Caution: Flashing lights indicate black ice” along with an electric light can be interpreted by multiple neural networks independently or jointly. The sign itself can be identified as a road sign by a first deployed neural network (e.g., a trained neural network), the text "Blinking lights indicate black ice" can be interpreted by a second deployed neural network that runs the vehicle's path planning software (which preferably runs on the CPU complex) that there is black ice when detecting blinking lights. The blinker can be identified through the operation of a third neural network over several frames that informs the vehicle's path planning software of the presence (or absence) of blinkers. All three neural networks can run simultaneously, e.g. B. within the DLA and/or on the GPU(s) 708.
In einigen Beispielen kann ein CNN zur Gesichtserkennung und Identifizierung des Fahrzeugbesitzers Daten von Kamerasensoren verwenden, um die Anwesenheit eines autorisierten Fahrers und/oder Besitzers des Fahrzeugs 700 zu erkennen. Die „always on“-Sensorverarbeitungs-Engine kann verwendet werden, um das Fahrzeug zu entriegeln, wenn der Besitzer sich der Fahrertür nähert und die Lichter einschaltet, und um im Sicherheitsmodus das Fahrzeug zu deaktivieren, wenn der Besitzer das Fahrzeug verlässt. Auf diese Weise sorgen die SoC(s) 704 für Sicherheit gegen Diebstahl und/oder Carjacking.In some examples, a CNN may use data from camera sensors for facial recognition and vehicle owner identification to detect the presence of an authorized driver and/or owner of the
In einem anderen Beispiel kann ein CNN zur Erkennung und Identifizierung von Einsatzfahrzeugen Daten von Mikrofonen 796 verwenden, um Sirenen von Einsatzfahrzeugen zu erkennen und zu identifizieren. Im Gegensatz zu herkömmlichen Systemen, die allgemeine Klassifikatoren zur Erkennung von Sirenen und zur manuellen Extraktion von Merkmalen verwenden, nutzen die SoC(s) 704 das CNN zur Klassifizierung von Umwelt- und Stadtgeräuschen sowie zur Klassifizierung visueller Daten. In einer bevorzugten Ausführungsform wird der CNN, der auf dem DLA läuft, darauf trainiert, die relative Annäherungsgeschwindigkeit des Einsatzfahrzeugs zu erkennen (z. B. durch Verwendung des Dopplereffekts). Das CNN kann auch so trainiert werden, dass es Einsatzfahrzeuge erkennt, die spezifisch für den lokalen Bereich sind, in dem das Fahrzeug operiert, wie von GNSS-Sensor(en) 758 ermittelt. So wird das CNN beispielsweise versuchen, europäische Sirenen zu erkennen, wenn es in Europa eingesetzt wird, und nur nordamerikanische Sirenen, wenn es in den Vereinigten Staaten eingesetzt wird. Sobald ein Einsatzfahrzeug erkannt wird, kann ein Steuerprogramm verwendet werden, um eine Sicherheitsroutine für Einsatzfahrzeuge auszuführen, das Fahrzeug zu verlangsamen, an den Straßenrand zu fahren, das Fahrzeug zu parken und/oder das Fahrzeug mit Hilfe der Ultraschallsensoren 762 im Leerlauf laufen zu lassen, bis das/die Einsatzfahrzeug(e) vorbeifahren.In another example, an emergency vehicle detection and identification CNN may use data from
Das Fahrzeug kann eine oder mehrere CPU(s) 718 (z. B. diskrete CPU(s) oder dCPU(s)) enthalten, die über eine Hochgeschwindigkeitsverbindung (z. B. PCIe) mit dem/den SoC(s) 704 verbunden sein können. Die CPU(s) 718 kann/können beispielsweise einen X86-Prozessor enthalten. Die CPU(s) 718 kann/können verwendet werden, um eine Vielzahl von Funktionen auszuführen, einschließlich der Schlichtung potentiell widersprüchlicher Ergebnisse zwischen ADAS-Sensoren und dem/den SoC(s) 704 und/oder der Überwachung des Zustand und des Zustands des/der Controller(s) 736 und/oder des Infotainment-SoC 730, beispielsweise.The vehicle may include one or more CPU(s) 718 (e.g., discrete CPU(s) or dCPU(s)) connected to the SoC(s) 704 via a high-speed interconnect (e.g., PCIe). could be. The CPU(s) 718 may include an X86 processor, for example. The CPU(s) 718 may be used to perform a variety of functions, including arbitrating potentially conflicting results between ADAS sensors and the SoC(s) 704 and/or monitoring the health and status of the/ the controller(s) 736 and/or the
Das Fahrzeug 700 kann eine oder mehrere GPU(s) 720 (z. B. diskrete GPU(s) oder dGPU(s)) enthalten, die über eine Hochgeschwindigkeitsverbindung (z. B. NVIDIAs NVLINK) mit dem/den SoC(s) 704 gekoppelt sein können. Der/die Grafikprozessor(en) 720 kann/können zusätzliche Funktionen der künstlichen Intelligenz bereitstellen, z. B. durch die Ausführung redundanter und/oder unterschiedlicher neuronaler Netze, und kann/können zum Trainieren und/oder Aktualisieren neuronaler Netze basierend auf Eingaben (z. B. Sensordaten) von Sensoren des Fahrzeugs 700 verwendet werden.The
Das Fahrzeug 700 kann ferner die Netzwerkschnittstelle 724 enthalten, die eine oder mehrere drahtlose Antennen 726 umfassen kann (z. B. eine oder mehrere drahtlose Antennen für verschiedene Kommunikationsprotokolle, wie eine Mobilfunkantenne, eine Bluetooth-Antenne usw.). Die Netzwerkschnittstelle 724 kann verwendet werden, um eine drahtlose Verbindung über das Internet mit der Cloud (z. B. mit dem/den Server(n) 778 und/oder anderen Netzwerkgeräten), mit anderen Fahrzeugen und/oder mit Computergeräten (z. B. Client-Geräten von Fahrgästen) zu ermöglichen. Zur Kommunikation mit anderen Fahrzeugen kann eine direkte Verbindung zwischen den beiden Fahrzeugen und/oder eine indirekte Verbindung hergestellt werden (z. B. über Netzwerke und das Internet). Direkte Verbindungen können über eine Fahrzeug-zu-Fahrzeug-Kommunikationsverbindung hergestellt werden. Die Fahrzeug-zu-Fahrzeug-Kommunikationsverbindung kann dem Fahrzeug 700 Informationen über Fahrzeuge in der Nähe des Fahrzeugs 700 liefern (z. B. Fahrzeuge vor, neben und/oder hinter dem Fahrzeug 700). Diese Funktion kann Teil einer kooperativen adaptiven Geschwindigkeitsregelungsfunktion des Fahrzeugs 700 sein.The
Die Netzwerkschnittstelle 724 kann einen SoC enthalten, der Modulations- und Demodulationsfunktionen bereitstellt und den/die Controller 736 in die Lage versetzt, über drahtlose Netzwerke zu kommunizieren. Die Netzwerkschnittstelle 724 kann ein Funkfrequenz-Frontend für die Aufwärtskonvertierung von Basisband auf Funkfrequenz und die Abwärtskonvertierung von Funkfrequenz auf Basisband enthalten. Die Frequenzumwandlungen können mit bekannten Verfahren und/oder mit Superheterodyn-Verfahren durchgeführt werden. In einigen Beispielen kann die Funkfrequenz-Front-End-Funktionalität durch einen separaten Chip bereitgestellt werden. Die Netzwerkschnittstelle kann drahtlose Funktionen für die Kommunikation über LTE, WCDMA, UMTS, GSM, CDMA2000, Bluetooth, Bluetooth LE, Wi-Fi, Z-Wave, ZigBee, LoRaWAN und/oder andere drahtlose Protokolle enthalten.
Das Fahrzeug 700 kann ferner einen oder mehrere Datenspeicher 728 umfassen, die außerhalb des Chips (z. B. außerhalb der SoC(s) 704) gespeichert werden können. Der/die Datenspeicher 728 kann/können ein oder mehrere Speicherelemente wie RAM, SRAM, DRAM, VRAM, Flash, Festplatten und/oder andere Komponenten und/oder Geräte umfassen, die mindestens ein Datenbit speichern können.The
Das Fahrzeug 700 kann außerdem GNSS-Sensor(en) 758 enthalten. Der/die GNSS-Sensor(en) 758 (z. B. GPS, unterstützte GPS-Sensoren, Differential-GPS-Sensoren (DGPS) usw.) unterstützen bei der Kartierung, Wahrnehmung, Erstellung von Belegungsrastern und/oder Wegplanungsfunktionen. Es kann eine beliebige Anzahl von GNSS-Sensoren 758 verwendet werden, z. B. und ohne Einschränkung ein GPS, das einen USB-Anschluss mit einer Ethernet-zu-Seriell (RS-232)-Brücke verwendet.
Das Fahrzeug 700 kann außerdem RADAR-Sensor(en) 760 enthalten. Der/die RADAR-Sensor(en) 760 kann/können vom Fahrzeug 700 für die Fahrzeugerkennung über große Entfernungen verwendet werden, selbst bei Dunkelheit und/oder schlechten Wetterbedingungen. Der/die RADAR-Sensor(en) 760 kann/können den CAN-Bus und/oder den Bus 702 (z. B. zur Übertragung von Daten, die von dem/den RADAR-Sensor(en) 760 erzeugt wurden) zur Steuerung und zum Zugriff auf Objektverfolgungsdaten verwenden, wobei in einigen Beispielen der Zugriff auf Rohdaten über Ethernet erfolgt. Es kann eine Vielzahl von RADAR-Sensortypen verwendet werden. Beispielsweise und ohne Einschränkung können der/die RADAR-Sensor(en) 760 für den Einsatz von Front-, Heck- und Seiten-RADAR geeignet sein. In einigen Beispielen werden Puls-Doppler-RADAR-Sensoren verwendet.
Der/die RADAR-Sensor(en) 760 kann/können verschiedene Konfigurationen umfassen, wie z. B. große Reichweite mit engem Sichtfeld, kurze Reichweite mit breitem Sichtfeld, seitliche Abdeckung kurzer Reichweite usw. In einigen Beispielen kann RADAR mit großer Reichweite für die adaptive Geschwindigkeitsregelung verwendet werden. Die RADAR-Systeme mit großer Reichweite können ein breites Sichtfeld bieten, das durch zwei oder mehr unabhängige Abtastungen realisiert wird, z. B. innerhalb einer Reichweite von 250 m. Der/die RADAR-Sensor(en) 760 kann/können helfen, zwischen statischen und sich bewegenden Objekten zu unterscheiden, und kann/können von ADAS-Systemen für Notbremsassistenten und Vorwärtskollisionswarnungen verwendet werden. Zu den RADAR-Langstreckensensoren können monostatische multimodale RADAR mit mehreren (z. B. sechs oder mehr) festen RADAR-Antennen und einer Hochgeschwindigkeits-CAN- und FlexRay-Schnittstelle gehören. In einem Beispiel mit sechs Antennen können die mittleren vier Antennen ein fokussiertes Strahlenmuster erzeugen, das dazu dient, die Umgebung des Fahrzeugs bei höheren Geschwindigkeiten mit minimalen Störungen durch den Verkehr auf den angrenzenden Fahrspuren zu erfassen. Die beiden anderen Antennen können das Sichtfeld erweitern, so dass Fahrzeuge, die in die Fahrspur des Fahrzeugs einfahren oder diese verlassen, schnell erfasst werden können.The RADAR sensor(s) 760 may include various configurations such as: e.g., long range with narrow field of view, short range with wide field of view, short range side coverage, etc. In some examples, long range RADAR can be used for adaptive cruise control. The long-range RADAR systems can provide a wide field of view realized by two or more independent scans, e.g. B. within a range of 250 m. The RADAR sensor(s) 760 can help to distinguish between static and moving objects and can be used by ADAS systems for emergency brake assist and forward collision warnings. Long-range RADAR sensors may include monostatic multi-mode RADAR with multiple (e.g., six or more) fixed RADAR antennas and a high-speed CAN and FlexRay interface. In a six-antenna example, the center four antennas can produce a focused beam pattern designed to view the vehicle's surroundings at higher speeds with minimal noise Detect disruptions caused by traffic in the adjacent lanes. The other two antennas can expand the field of view so that vehicles entering or leaving the vehicle's lane can be quickly detected.
RADAR-Systeme mit mittlerer Reichweite können beispielsweise eine Reichweite von bis zu 760 m (vorne) oder 80 m (hinten) und ein Sichtfeld von bis zu 42 Grad (vorne) oder 750 Grad (hinten) aufweisen. Zu den RADAR-Systemen mit geringer Reichweite können unter anderem RADAR-Sensoren gehören, die an beiden Enden des hinteren Stoßfängers angebracht werden. Wenn ein solches RADAR-Sensorsystem an beiden Enden des hinteren Stoßfängers angebracht ist, kann es zwei Strahlen erzeugen, die den toten Winkel hinter und neben dem Fahrzeug ständig überwachen.For example, medium-range RADAR systems can have a range of up to 760 m (front) or 80 m (rear) and a field of view of up to 42 degrees (front) or 750 degrees (rear). Short-range RADAR systems may include, but are not limited to, RADAR sensors placed at both ends of the rear bumper. When such a RADAR sensor system is installed at both ends of the rear bumper, it can generate two beams that constantly monitor the blind spot behind and beside the vehicle.
RADAR-Systeme mit geringer Reichweite können in einem ADAS-System zur Erkennung des toten Winkels und/oder als Spurwechselassistent eingesetzt werden.Short-range RADAR systems can be used in an ADAS system for blind spot detection and/or as a lane change assistant.
Das Fahrzeug 700 kann außerdem einen oder mehrere Ultraschallsensoren 762 enthalten. Der/die Ultraschallsensor(en) 762, der/die vorne, hinten und/oder an den Seiten des Fahrzeugs 700 angebracht sein kann/können, kann/können zur Einparkhilfe und/oder zur Erstellung und Aktualisierung eines Belegungsrasters verwendet werden. Es kann eine Vielzahl von Ultraschallsensoren 762 verwendet werden, und unterschiedliche Ultraschallsensoren 762 können für unterschiedliche Erfassungsbereiche (z. B. 2,5 m, 4 m) eingesetzt werden. Der/die Ultraschallsensor(en) 762 kann/können bei funktionalen Sicherheitsstufen von ASIL B arbeiten.The
Das Fahrzeug 700 kann LIDAR-Sensor(en) 764 enthalten. Der/die LIDAR-Sensor(en) 764 kann/können für Objekt- und Fußgängererkennung, Notbremsung, Kollisionsvermeidung und/oder andere Funktionen verwendet werden. Der/die LIDAR-Sensor(en) 764 kann/können der funktionalen Sicherheitsstufe ASIL B entsprechen. In einigen Beispielen kann das Fahrzeug 700 mehrere LIDAR-Sensoren 764 (z. B. zwei, vier, sechs usw.) enthalten, die Ethernet verwenden können (z. B. zur Bereitstellung von Daten an einen Gigabit-Ethernet-Switch).
In einigen Beispielen kann der/die LIDAR-Sensor(en) 764 in der Lage sein, eine Liste von Objekten und deren Entfernungen für ein 360-Grad-Sichtfeld zu liefern. Im Handel erhältliche LIDAR-Sensoren 764 können eine Reichweite von etwa 700 m haben, mit einer Genauigkeit von 2 cm bis 3 cm und mit Unterstützung für eine Ethernet-Verbindung mit 700 Mbit/s, beispielsweise. In einigen Beispielen können ein oder mehrere nicht vorspringende LIDAR-Sensoren 764 verwendet werden. In solchen Beispielen kann/können der/die LIDAR-Sensor(en) 764 als kleines Gerät implementiert werden, das in die Front, das Heck, die Seiten und/oder die Ecken des Fahrzeugs 700 eingebettet werden kann. Der/die LIDAR-Sensor(en) 764 kann/können in solchen Beispielen ein horizontales Sichtfeld von bis zu 120 Grad und ein vertikales Sichtfeld von 35 Grad bieten, mit einer Reichweite von 200 m, selbst bei Objekten mit geringer Reflexion. Der/die frontmontierte(n) LIDAR-Sensor(en) 764 kann/können für ein horizontales Sichtfeld zwischen 45 Grad und 135 Grad konfiguriert werden.In some examples, the LIDAR sensor(s) 764 may be able to provide a list of objects and their distances for a 360 degree field of view. Commercially
In einigen Beispielen können auch LIDAR-Technologien wie 3D-Blitz-LIDAR eingesetzt werden. 3D-Blitz-LIDAR verwendet einen Laserblitz als Übertragungsquelle, um die Umgebung des Fahrzeugs bis zu einer Entfernung von etwa 200 m zu beleuchten. Eine Flash-LIDAR-Einheit umfasst einen Rezeptor, der die Laufzeit des Laserpulses und das reflektierte Licht auf jedem Pixel aufzeichnet, was wiederum der Entfernung zwischen dem Fahrzeug und den Objekten entspricht. Mit Flash-LIDAR lassen sich mit jedem Laserblitz hochpräzise und verzerrungsfreie Bilder der Umgebung erzeugen. In einigen Beispielen können vier Flash-LIDAR-Sensoren eingesetzt werden, einer an jeder Seite des Fahrzeugs 700. Zu den verfügbaren 3D-Blitz-LIDAR-Systemen gehört eine 3D-Star-Array-LIDAR-Festkörperkamera, die außer einem Gebläse keine beweglichen Teile aufweist (z. B. ein nicht scannendes LIDAR-Gerät). Das Flash-LIDAR-Gerät kann einen 5-Nanosekunden-Laserimpuls der Klasse I (augensicher) pro Bild verwenden und das reflektierte Laserlicht in Form von 3D-Entfernungspunktwolken und gemeinsam registrierten Intensitätsdaten erfassen. Durch die Verwendung von Flash-LIDAR und weil Flash-LIDAR ein Festkörpergerät ohne bewegliche Teile ist, kann der/die LIDAR-Sensor(en) 764 weniger anfällig für Bewegungsunschärfe, Vibrationen und/oder Stöße sein.In some examples, lidar technologies such as 3D flash lidar may also be employed. 3D Flash LIDAR uses a laser flash as a transmission source to illuminate the vehicle's surroundings up to a distance of about 200 m. A flash LIDAR unit includes a receptor that records the travel time of the laser pulse and the reflected light on each pixel, which in turn corresponds to the distance between the vehicle and the objects. With Flash-LIDAR, high-precision and distortion-free images of the environment can be generated with each laser flash. In some examples, four flash LIDAR sensors may be deployed, one on each side of
Das Fahrzeug kann außerdem IMU-Sensor(en) 766 enthalten. Der/die IMU-Sensor(en) 766 kann/können in einigen Beispielen in der Mitte der Hinterachse des Fahrzeugs 700 angeordnet sein. Der (die) IMU-Sensor(en) 766 kann (können) beispielsweise und ohne Einschränkung einen (mehrere) Beschleunigungsmesser, einen (mehrere) Magnetometer, ein (mehrere) Gyroskop(e), einen (mehrere) Magnetkompass(e) und/oder andere Sensortypen umfassen. In einigen Beispielen, wie z. B. bei sechsachsigen Anwendungen, kann/können der/die IMU-Sensor(en) 766 Beschleunigungsmesser und Gyroskope umfassen, während bei neunachsigen Anwendungen der/die IMU-Sensor(en) 766 Beschleunigungsmesser, Gyroskope und Magnetometer umfassen können.The vehicle may also include IMU sensor(s) 766 . The IMU sensor(s) 766 may be located at the center of the rear axle of the
In einigen Ausführungsformen kann/können der/die IMU-Sensor(en) 766 als ein miniaturisiertes, hochleistungsfähiges GPS-gestütztes Trägheitsnavigationssystem (GPS/INS) implementiert werden, das mikroelektromechanische Trägheitssensoren (MEMS), einen hochempfindlichen GPS-Empfänger und fortschrittliche Kalman-Filteralgorithmen kombiniert, um Schätzungen von Position, Geschwindigkeit und Lage zu liefern. In einigen Beispielen können die IMU-Sensoren 766 das Fahrzeug 700 in die Lage versetzen, den Kurs zu schätzen, ohne dass Eingaben von einem Magnetsensor erforderlich sind, indem die Geschwindigkeitsänderungen von GPS direkt beobachtet und mit den IMU-Sensoren 766 korreliert werden. In einigen Beispielen können der/die IMU-Sensor(en) 766 und der/die GNSS-Sensor(en) 758 in einer einzigen integrierten Einheit kombiniert werden.In some embodiments, the IMU sensor(s) 766 may be implemented as a miniaturized, high-performance GPS-based inertial navigation system (GPS/INS) that includes microelectromechanical inertial sensors (MEMS), a high-sensitivity GPS receiver, and advanced Kalman filter algorithms combined to provide estimates of position, velocity and attitude. In some examples, the
Das Fahrzeug kann ein oder mehrere Mikrofone 796 enthalten, die im und/oder um das Fahrzeug 700 herum angebracht sind. Das/die Mikrofon(e) 796 kann/können u. a. zur Erkennung und Identifizierung von Einsatzfahrzeugen verwendet werden.The vehicle may include one or
Das Fahrzeug kann ferner eine beliebige Anzahl von Kameratypen enthalten, einschließlich Stereokamera(s) 768, Weitwinkelkamera(s) 770, Infrarotkamera(s) 772, Surround-Kamera(s) 774, Fern- und/oder Mittelbereichskamera(s) 798 und/oder andere Kameratypen. Die Kameras können verwendet werden, um Bilddaten rund um den gesamten Umfang des Fahrzeugs 700 zu erfassen. Die verwendeten Kameratypen hängen von den Ausführungsformen und Anforderungen für das Fahrzeug 700 ab, und es kann eine beliebige Kombination von Kameratypen verwendet werden, um die erforderliche Abdeckung um das Fahrzeug 700 herum zu gewährleisten. Darüber hinaus kann die Anzahl der Kameras je nach Ausführungsform unterschiedlich sein. So kann das Fahrzeug beispielsweise sechs Kameras, sieben Kameras, zehn Kameras, zwölf Kameras und/oder eine andere Anzahl von Kameras umfassen. Die Kameras können beispielsweise und ohne Einschränkung Gigabit Multimedia Serial Link (GMSL) und/oder Gigabit Ethernet unterstützen. Jede der Kameras wird hierin in Bezug auf
Das Fahrzeug 700 kann außerdem einen oder mehrere Schwingungssensoren 742 enthalten. Der/die Schwingungssensor(en) 742 kann/können Schwingungen von Komponenten des Fahrzeugs, wie z. B. der Achse(n), messen. Änderungen der Vibrationen können beispielsweise auf eine Änderung der Straßenoberfläche hinweisen. In einem anderen Beispiel können bei Verwendung von zwei oder mehr Schwingungssensoren 742 die Unterschiede zwischen den Schwingungen verwendet werden, um die Reibung oder den Schlupf der Straßenoberfläche zu bestimmen (z. B. wenn der Unterschied in der Schwingung zwischen einer angetriebenen Achse und einer frei drehenden Achse besteht).The
Das Fahrzeug 700 kann ein ADAS-System 738 enthalten. Das ADAS-System 738 kann in einigen Beispielen einen SoC enthalten. Das ADAS-System 738 kann einen autonomen/adaptiven/automatischen Geschwindigkeitsregler (ACC), einen kooperativen adaptiven Geschwindigkeitsregler (CACC), eine Auffahrwarnung (FCW), eine automatische Notbremsung (AEB), eine Spurverlassenswarnung (LDW), einen Spurhalteassistenten (LKA), einen Toter-Winkel-Warner (BSW), einen Querverkehrswarner (RCTW), ein Kollisionswarnsystem (CWS), eine Fahrspurzentrierung (LC) und/oder andere Merkmale und Funktionen umfassen.The
Die ACC-Systeme können RADAR-Sensor(en) 760, LIDAR-Sensor(en) 764 und/oder eine Kamera(en) verwenden. Die ACC-Systeme können einen ACC in Längsrichtung und/oder einen ACC in Querrichtung umfassen. Der ACC in Längsrichtung überwacht und steuert den Abstand zu dem unmittelbar vor dem Fahrzeug 700 befindlichen Fahrzeug und passt die Fahrzeuggeschwindigkeit automatisch an, um einen sicheren Abstand zu vorausfahrenden Fahrzeugen einzuhalten. Der seitliche ACC sorgt für die Einhaltung des Abstands und rät dem Fahrzeug 700, wenn nötig die Spur zu wechseln. Lateral ACC ist mit anderen ADAS-Anwendungen wie LCA und CWS verwandt.The ACC systems may use RADAR sensor(s) 760, LIDAR sensor(s) 764, and/or camera(s). The ACC systems may include a longitudinal ACC and/or a transverse ACC. Longitudinal ACC monitors and controls the distance to the vehicle immediately ahead of
CACC verwendet Informationen von anderen Fahrzeugen, die über die Netzwerkschnittstelle 724 und/oder die Funkantenne(n) 726 von anderen Fahrzeugen über eine drahtlose Verbindung oder indirekt über eine Netzwerkverbindung (z. B. über das Internet) empfangen werden können. Direkte Verbindungen können über eine Fahrzeug-zu-Fahrzeug-Kommunikationsverbindung (V2V) hergestellt werden, während indirekte Verbindungen eine Infrastruktur-zu-Fahrzeug-Kommunikationsverbindung (I2V) sein können. Im Allgemeinen liefert das V2V-Kommunikationskonzept Informationen über die unmittelbar vorausfahrenden Fahrzeuge (z. B. Fahrzeuge, die sich unmittelbar vor dem Fahrzeug 700 und auf derselben Fahrspur wie dieses befinden), während das I2V-Kommunikationskonzept Informationen über den weiter vorausfahrenden Verkehr liefert. CACC-Systeme können eine oder beide I2V- und V2V-Informationsquellen enthalten. Angesichts der Informationen über die Fahrzeuge vor dem Fahrzeug 700 kann CACC zuverlässiger sein und hat das Potenzial, den Verkehrsfluss zu verbessern und Staus auf der Straße zu reduzieren.CACC uses information from other vehicles, which may be received via
FCW-Systeme sind so konzipiert, dass sie den Fahrer vor einer Gefahr warnen, so dass er korrigierend eingreifen kann. FCW-Systeme verwenden eine nach vorne gerichtete Kamera und/oder RADAR-Sensor(en) 760, die mit einem speziellen Prozessor, DSP, FPGA und/oder ASIC gekoppelt sind, der elektrisch mit der Rückmeldung an den Fahrer verbunden ist, z. B. über ein Display, einen Lautsprecher und/oder eine vibrierende Komponente. FCW-Systeme können eine Warnung ausgeben, z. B. in Form eines Tons, einer optischen Warnung, einer Vibration und/oder eines schnellen Bremsimpulses.FCW systems are designed to warn the driver of a hazard so that corrective action can be taken. Use FCW systems a forward-looking camera and/or RADAR sensor(s) 760 coupled to a dedicated processor, DSP, FPGA and/or ASIC electrically connected to feedback to the driver, e.g. B. via a display, a speaker and / or a vibrating component. FCW systems can issue a warning, e.g. B. in the form of a tone, a visual warning, a vibration and / or a quick brake impulse.
AEB-Systeme erkennen einen drohenden Zusammenstoß mit einem anderen Fahrzeug oder einem anderen Objekt und können automatisch die Bremsen betätigen, wenn der Fahrer nicht innerhalb eines bestimmten Zeit- oder Entfernungsparameters korrigierend eingreift. AEB-Systeme können nach vorne gerichtete Kamera(s) und/oder RADAR-Sensor(en) 760 verwenden, die mit einem speziellen Prozessor, DSP, FPGA und/oder ASIC verbunden sind. Wenn das AEB-System eine Gefahr erkennt, warnt es in der Regel zunächst den Fahrer, damit er korrigierend eingreift, um die Kollision zu vermeiden. Wenn der Fahrer keine korrigierenden Maßnahmen ergreift, kann das AEB-System automatisch die Bremsen betätigen, um die Auswirkungen der vorhergesagten Kollision zu verhindern oder mindestens abzumildern. AEB-Systeme können Techniken wie die dynamische Bremsunterstützung und/oder die Crash-Imminent Braking umfassen.AEB systems detect an impending collision with another vehicle or object and can automatically apply the brakes if the driver does not take corrective action within a specified time or distance parameter. AEB systems may use forward-looking camera(s) and/or RADAR sensor(s) 760 connected to a dedicated processor, DSP, FPGA, and/or ASIC. When the AEB system detects a hazard, it typically first warns the driver so that corrective action can be taken to avoid the collision. If the driver does not take corrective action, the AEB system can automatically apply the brakes to prevent, or at least mitigate, the effects of the predicted collision. AEB systems can include techniques such as Dynamic Brake Assist and/or Crash Imminent Braking.
Spurhalteassistenten warnen den Fahrer durch optische, akustische und/oder taktile Signale, z. B. durch Vibrationen am Lenkrad oder am Sitz, wenn das Fahrzeug 700 die Fahrbahnmarkierungen überfährt. Ein Spurhaltewarnsystem wird nicht aktiviert, wenn der Fahrer durch Betätigen des Blinkers ein absichtliches Verlassen der Fahrspur anzeigt. LDW-Systeme können nach vorne gerichtete Kameras verwenden, die mit einem speziellen Prozessor, DSP, FPGA und/oder ASIC verbunden sind, der elektrisch mit dem Fahrerfeedback gekoppelt ist, z. B. mit einer Anzeige, einem Lautsprecher und/oder einer vibrierenden Komponente.Lane departure warning systems warn the driver with visual, acoustic and/or tactile signals, e.g. B. by vibrations in the steering wheel or the seat when the
LKA-Systeme sind eine Variante von LDW-Systemen. LKA-Systeme sorgen für einen Lenkeingriff oder eine Bremsung, um das Fahrzeug 700 zu korrigieren, wenn das Fahrzeug 700 beginnt, die Fahrspur zu verlassen.LKA systems are a variant of LDW systems. LKA systems provide steering intervention or braking to correct the
BSW-Systeme erkennen und warnen den Fahrer vor Fahrzeugen im toten Winkel des Fahrzeugs. BSW-Systeme können ein optisches, akustisches und/oder taktiles Warnsignal ausgeben, um darauf hinzuweisen, dass das Zusammenführen oder Wechseln der Fahrspur unsicher ist. Das System kann eine zusätzliche Warnung ausgeben, wenn der Fahrer einen Blinker betätigt. BSW-Systeme können nach hinten gerichtete Kamera(s) und/oder RADAR-Sensor(en) 760 verwenden, die mit einem speziellen Prozessor, DSP, FPGA und/oder ASIC gekoppelt sind, der elektrisch mit der Rückmeldung an den Fahrer verbunden ist, z. B. mit einem Display, einem Lautsprecher und/oder einer vibrierenden Komponente.BSW systems detect and warn the driver of vehicles in the vehicle's blind spot. BSW systems can provide a visual, audible and/or tactile warning signal to indicate that it is unsafe to merge or change lanes. The system can issue an additional warning if the driver activates a turn signal. BSW systems may use rear-facing camera(s) and/or RADAR sensor(s) 760 coupled to a dedicated processor, DSP, FPGA, and/or ASIC that is electrically connected to feedback to the driver, e.g. B. with a display, a speaker and / or a vibrating component.
RCTW-Systeme können eine optische, akustische und/oder taktile Benachrichtigung ausgeben, wenn beim Rückwärtsfahren des Fahrzeugs 700 ein Objekt außerhalb des Bereichs der Heckkamera erkannt wird. Einige RCTW-Systeme umfassen AEB, um sicherzustellen, dass die Fahrzeugbremsen betätigt werden, um einen Unfall zu vermeiden. RCTW-Systeme können einen oder mehrere nach hinten gerichtete RADAR-Sensoren 760 verwenden, die mit einem dedizierten Prozessor, DSP, FPGA und/oder ASIC gekoppelt sind, der elektrisch mit dem Fahrerfeedback gekoppelt ist, z. B. mit einem Display, einem Lautsprecher und/oder einer vibrierenden Komponente.RCTW systems may provide a visual, audible, and/or tactile notification when an object is detected out of range of the rear view camera while the
Bei herkömmlichen ADAS-Systemen kann es zu falsch-positiven Ergebnissen kommen, die für den Fahrer ärgerlich und ablenkend sein können, aber in der Regel nicht katastrophal sind, weil die ADAS-Systeme den Fahrer warnen und ihm die Möglichkeit geben, zu entscheiden, ob wirklich ein Sicherheitszustand vorliegt und entsprechend zu handeln. In einem autonomen Fahrzeug 700 muss das Fahrzeug 700 jedoch im Falle widersprüchlicher Ergebnisse selbst entscheiden, ob es das Ergebnis eines primären Computers oder eines sekundären Computers (z. B. eines ersten Controllers 736 oder eines zweiten Controllers 736) beachtet. In einigen Ausführungsformen kann das ADAS-System 738 beispielsweise ein Backup- und/oder Sekundärcomputer sein, der Wahrnehmungsinformationen an ein Rationalitätsmodul des Backup-Computers liefert. Der Rationalitätsmonitor des Backup-Computers kann eine redundante Software auf Hardwarekomponenten ausführen, um Fehler in der Wahrnehmung und bei dynamischen Fahraufgaben zu erkennen. Die Ausgaben des ADAS-Systems 738 können an eine übergeordnete MCU weitergeleitet werden. Wenn die Ausgaben des Primärrechners und des Sekundärrechners kollidieren, muss die überwachende MCU bestimmen, wie der Konkurrenz gelöst werden kann, um einen sicheren Betrieb zu gewährleisten.Traditional ADAS systems can produce false positives, which can be annoying and distracting for the driver, but are usually not catastrophic because the ADAS systems warn the driver and give them the opportunity to decide if there really is a state of security and to act accordingly. In an
In einigen Beispielen kann der primäre Computer so konfiguriert sein, dass er der übergeordneten MCU einen Vertrauenswert liefert, der das Vertrauen des primären Computers in das gewählte Ergebnis angibt. Übersteigt der Vertrauenswert einen Schwellenwert, kann die überwachende MCU der Anweisung des Primärcomputers folgen, unabhängig davon, ob der Sekundärcomputer ein widersprüchliches oder inkonsistentes Ergebnis liefert. Erreicht der Konfidenzwert den Schwellenwert nicht und geben der primäre und der sekundäre Computer unterschiedliche Ergebnisse an (z. B. den Konkurrenz), kann die übergeordnete MCU zwischen den Computern vermitteln, um das geeignete Ergebnis zu bestimmen.In some examples, the primary computer may be configured to provide the high-level MCU with a confidence value indicative of the primary computer's confidence in the selected outcome. If the confidence level exceeds a threshold, the monitoring MCU can follow the primary computer's instruction, regardless of whether the secondary computer provides a conflicting or inconsistent result. If the confidence value does not meet the threshold and the primary and secondary computers report different outcomes (e.g., the competition), the master MCU can mediate between the computers to determine the appropriate outcome.
Die überwachende MCU kann so konfiguriert sein, dass sie ein neuronales Netz bzw. neuronale Netze ausführt, das bzw. die so trainiert und konfiguriert ist bzw. sind, dass es bzw. sie basierend auf der Ausgaben des Primärcomputers und des Sekundärcomputers die Bedingungen bestimmt bzw. bestimmen, unter denen der Sekundärcomputer Fehlalarme auslöst. So kann das neuronale Netz bzw. können die neuronalen Netze in der Überwachungs-MCU lernen, wann der Ausgabe des Sekundärcomputers vertraut werden kann und wann nicht. Handelt es sich bei dem sekundären Computer beispielsweise um ein RADAR-basiertes FCW-System, kann ein neuronales Netz in der übergeordneten MCU lernen, wann das FCW-System metallische Objekte identifiziert, die in Wirklichkeit keine Gefahr darstellen, wie etwa ein Abflussgitter oder ein Schachtdeckel, der einen Alarm auslöst. Wenn der Sekundärcomputer ein kamerabasiertes Spurhaltewarnsystem ist, kann ein neuronales Netz in der Überwachungs-MCU lernen, das Spurhaltewarnsystem außer Kraft zu setzen, wenn Radfahrer oder Fußgänger vorhanden sind und ein Verlassen der Fahrspur tatsächlich das sicherste Manöver ist. In Ausführungsformen, in denen ein neuronales Netz bzw. neuronale Netze auf der überwachenden MCU laufen, kann die überwachende MCU mindestens einen DLA oder einen Grafikprozessor enthalten, der für den Betrieb des neuronalen Netzes bzw. der neuronalen Netze mit zugehörigem Speicher geeignet ist. In bevorzugten Ausführungsformen kann die Überwachungs-MCU eine Komponente des/der SoC(s) 704 umfassen und/oder darin enthalten sein.The monitoring MCU may be configured to execute a neural network or networks that are trained and configured to determine the conditions based on the outputs of the primary computer and the secondary computer .determine under which the secondary computer generates false alarms. This allows the neural network(s) in the monitoring MCU to learn when the output of the secondary computer can and cannot be trusted. For example, if the secondary computer is a RADAR-based FCW system, a neural network in the higher-level MCU can learn when the FCW system identifies metallic objects that do not actually pose a threat, such as a drain grate or a manhole cover , which triggers an alarm. If the secondary computer is a camera-based lane departure warning system, a neural network in the monitoring MCU can learn to override the lane departure warning system when cyclists or pedestrians are present and lane departure is indeed the safest manoeuvre. In embodiments where a neural network(s) is/are running on the monitoring MCU, the monitoring MCU may include at least one DLA or graphics processor capable of operating the neural network(s) with associated memory. In preferred embodiments, the monitoring MCU may comprise and/or be included as a component of the SoC(s) 704 .
In anderen Beispielen kann das ADAS-System 738 einen sekundären Computer umfassen, der die ADAS-Funktionen unter Verwendung herkömmlicher Regeln der Computer Vision ausführt. Der sekundäre Computer kann also klassische Regeln der Computer Vision verwenden (wenn-dann), und das Vorhandensein eines neuronalen Netzes (von neuronalen Netzen) in der übergeordneten MCU kann die Zuverlässigkeit, Sicherheit und Leistung verbessern. Beispielsweise wird das Gesamtsystem durch die unterschiedliche Implementierung und die absichtliche Nichtidentität fehlertoleranter, insbesondere gegenüber Fehlern, die durch Softwarefunktionen (oder Software-Hardware-Schnittstellen) verursacht werden. Wenn beispielsweise ein Softwarefehler in der auf dem Primärcomputer laufenden Software auftritt und der nicht identische Softwarecode auf dem Sekundärcomputer das gleiche Gesamtergebnis liefert, kann die überwachende MCU mit größerer Sicherheit davon ausgehen, dass das Gesamtergebnis korrekt ist und der Fehler in der Software oder Hardware des Primärcomputers keinen wesentlichen Fehler verursacht.In other examples, the
In einigen Beispielen kann die Ausgabe des ADAS-Systems 738 in den Wahrnehmungsblock des Primärrechners und/oder in den Block für dynamische Fahraufgaben des Primärrechners eingespeist werden. Wenn das ADAS-System 738 beispielsweise eine Warnung vor einem Aufprall aufgrund eines unmittelbar vorausliegenden Objekts anzeigt, kann der Wahrnehmungsblock diese Information bei der Identifizierung von Objekten verwenden. In anderen Beispielen kann der Sekundärcomputer über ein eigenes neuronales Netz verfügen, das trainiert ist und somit das Risiko von Fehlalarmen reduziert, wie hier beschrieben.In some examples, the output of the
Das Fahrzeug 700 kann außerdem das Infotainment-SoC 730 (z. B. ein bordeigenes Infotainment-System (IVI)) enthalten. Obwohl das Infotainment-System als SoC dargestellt und beschrieben wird, muss es nicht unbedingt ein SoC sein, sondern kann auch zwei oder mehr diskrete Komponenten umfassen. Das Infotainment-SoC 730 kann eine Kombination aus Hardware und Software enthalten, die zur Bereitstellung von Audio (z. B. Musik, einem persönlichen digitalen Assistenten, Navigationsanweisungen, Nachrichten, Radio usw.), Video (z. B. Fernsehen, Filme, Streaming usw.), Telefon (z. B. Freisprechen), Netzwerkkonnektivität (z. B., LTE, Wi-Fi usw.) und/oder Informationsdienste (z. B. Navigationssysteme, Einparkhilfe hinten, ein Radiodatensystem, fahrzeugbezogene Informationen wie Kraftstoffstand, zurückgelegte Gesamtstrecke, Bremskraftstoffstand, Ölstand, Tür öffnen/schließen, Luftfilterinformationen usw.) an das Fahrzeug 700. Der Infotainment-SoC 730 kann beispielsweise Radios, Plattenspieler, Navigationssysteme, Videoplayer, USB- und Bluetooth-Konnektivität, Carputer, In-Car-Entertainment, Wi-Fi, Audiobedienelemente am Lenkrad, Freisprecheinrichtung, ein Heads-up-Display (HUD), ein HMI-Display 734, ein Telematikgerät, ein Bedienfeld (z. B. zur Steuerung und/oder Interaktion mit verschiedenen Komponenten, Funktionen und/oder Systemen) und/oder andere Komponenten umfassen. Der Infotainment-SoC 730 kann ferner verwendet werden, um einem oder mehreren Nutzern des Fahrzeugs Informationen (z. B. visuell und/oder akustisch) zur Verfügung zu stellen, z. B. Informationen aus dem ADAS-System 738, Informationen zum autonomen Fahren wie geplante Fahrzeugmanöver, Trajektorien, Umgebungsinformationen (z. B. Kreuzungsinformationen, Fahrzeuginformationen, Straßeninformationen usw.) und/oder andere Informationen.The
Der Infotainment-SoC 730 kann GPU-Funktionen enthalten. Der Infotainment-SoC 730 kann über den Bus 702 (z. B. CAN-Bus, Ethernet usw.) mit anderen Geräten, Systemen und/oder Komponenten des Fahrzeugs 700 kommunizieren. In einigen Beispielen kann der Infotainment-SoC 730 mit einer Überwachungs-MCU gekoppelt sein, so dass die GPU des Infotainment-Systems einige Selbstfahrfunktionen ausführen kann, falls die primäre(n) Steuereinheit(en) 736 (z. B. die primären und/oder Backup-Computer des Fahrzeugs 700) ausfallen. In einem solchen Beispiel kann der Infotainment-SoC 730 das Fahrzeug 700, wie hier beschrieben, in einen Chauffeurmodus bis zum sicheren Anhalten versetzen.The
Das Fahrzeug 700 kann ferner ein Kombiinstrument 732 (z. B. ein digitales Armaturenbrett, ein elektronisches Kombiinstrument, eine digitale Instrumententafel usw.) enthalten. Das Kombiinstrument 732 kann einen Controller und/oder einen Supercomputer (z. B. einen diskreten Controller oder einen Supercomputer) enthalten. Das Kombiinstrument 732 kann eine Reihe von Instrumenten enthalten, z. B. Tachometer, Kraftstoffstand, Öldruck, Drehzahlmesser, Kilometerzähler, Blinker, Schaltstellungsanzeige, Sicherheitsgurt-Warnleuchte(n), Parkbrems-Warnleuchte(n), Motor-Fehlfunktionsleuchte(n), Informationen über das Airbag-System (SRS), Beleuchtungssteuerungen, Sicherheitssystemsteuerungen, Navigationsinformationen usw. In einigen Beispielen können die Informationen vom Infotainment-SoC 730 und dem Kombiinstrument 732 angezeigt und/oder gemeinsam genutzt werden. Mit anderen Worten: Das Kombiinstrument 732 kann Teil des Infotainment-SoC 730 sein oder umgekehrt.The
Der (die) Server 778 kann (können) über das (die) Netzwerk(e) 790 und von den Fahrzeugen Bilddaten empfangen, die für Bilder repräsentativ sind, die unerwartete oder veränderte Straßenzustände zeigen, z. B. kürzlich begonnene Straßenarbeiten. Der (die) Server 778 kann (können) über das (die) Netzwerk(e) 790 und an die Fahrzeuge neuronale Netze 792, aktualisierte neuronale Netze 792 und/oder Karteninformationen 794, einschließlich Informationen über Verkehrs- und Straßenbedingungen, übertragen. Die Aktualisierungen der Karteninformationen 794 können Aktualisierungen für die HD-Karte 722 enthalten, z. B. Informationen über Baustellen, Schlaglöcher, Umleitungen, Überschwemmungen und/oder andere Hindernisse. In einigen Beispielen können die neuronalen Netze 792, die aktualisierten neuronalen Netze 792 und/oder die Karteninformationen 794 aus neuem Training und/oder Erfahrungen resultieren, die in Daten dargestellt sind, die von einer beliebigen Anzahl von Fahrzeugen in der Umgebung empfangen wurden, und/oder auf einem Training basieren, das in einem Datenzentrum durchgeführt wurde (z. B. unter Verwendung des/der Server(s) 778 und/oder anderer Server).The server(s) 778 may receive, via the network(s) 790 and from the vehicles, image data representative of images showing unexpected or changing road conditions, e.g. B. Recently started road works. The server(s) 778 may transmit
Der/die Server 778 kann/können verwendet werden, um Modelle für maschinelles Lernen (z. B. neuronale Netze) basierend auf Trainingsdaten zu trainieren. Die Trainingsdaten können von den Fahrzeugen und/oder in einer Simulation (z. B. mit einer Spiel-Engine) erzeugt werden. In einigen Beispielen werden die Trainingsdaten mit Tags versehen (z. B. wenn das neuronale Netz von überwachtem Lernen profitiert) und/oder einer anderen Vorverarbeitung unterzogen, während in anderen Beispielen die Trainingsdaten nicht mit Tags versehen und/oder vorverarbeitet werden (z. B. wenn das neuronale Netz kein überwachtes Lernen benötigt). Das Training kann nach einer oder mehreren Klassen von maschinellen Lerntechniken durchgeführt werden, einschließlich, aber nicht beschränkt auf Klassen wie: überwachtes Training, halbüberwachtes Training, unüberwachtes Training, selbstlernendes Lernen, Verstärkungslernen, föderiertes Lernen, Transferlernen, Merkmalslernen (einschließlich Hauptkomponenten- und Clusteranalysen), multilineares Unterraumlemen, vielfältiges Lernen, Repräsentationslemen (einschließlich Lernen mit Ersatzwörterbüchern), regelbasiertes maschinelles Lernen, Anomalieerkennung und alle Varianten oder Kombinationen davon. Sobald die maschinellen Lernmodelle trainiert sind, können die maschinellen Lernmodelle von den Fahrzeugen verwendet werden (z. B. durch Übertragung an die Fahrzeuge über das/die Netzwerk(e) 790 und/oder die maschinellen Lernmodelle können von dem/den Server(n) 778 zur Fernüberwachung der Fahrzeuge verwendet werden.The server(s) 778 can be used to train machine learning models (e.g., neural networks) based on training data. The training data can be generated by the vehicles and/or in a simulation (e.g. with a game engine). In some examples, the training data is tagged (e.g., where the neural network benefits from supervised learning) and/or undergoes other preprocessing, while in other examples, the training data is untagged and/or preprocessed (e.g., . if the neural network does not require supervised learning). Training may be performed following one or more classes of machine learning techniques, including but not limited to classes such as: supervised training, semi-supervised training, unsupervised training, self-learning, reinforcement learning, federated learning, transfer learning, feature learning (including principal component and cluster analyses) , multilinear subspace learning, diverse learning, representational learning (including learning with replacement dictionaries), rule-based machine learning, anomaly detection, and any variants or combinations thereof. Once the machine learning models are trained, the machine learning models can be used by the vehicles (e.g. by transmission to the vehicles via the network(s) 790 and/or the machine learning models can be used by the server(s) 778 to remotely monitor the vehicles.
In einigen Beispielen können die Server 778 Daten von den Fahrzeugen empfangen und die Daten auf aktuelle neuronale Netze in Echtzeit für intelligente Schlussfolgerungen in Echtzeit anwenden. Der/die Server 778 kann/können Deep-Learning-Supercomputer und/oder dedizierte KI-Computer umfassen, die von GPUs 784 angetrieben werden, wie z. B. die von NVIDIA entwickelten DGX- und DGX Station-Maschinen. In einigen Beispielen können die Server 778 jedoch auch Deep-Learning-Infrastrukturen umfassen, die nur CPU-betriebene Rechenzentren verwenden.In some examples, the
Die Deep-Learning-Infrastruktur des/der Server(s) 778 kann zu schnellem Inferencing in Echtzeit fähig sein und kann diese Fähigkeit nutzen, um den Zustand der Prozessoren, der Software und/oder der zugehörigen Hardware im Fahrzeug 700 zu bewerten und zu überprüfen. Beispielsweise kann die Deep-Learning-Infrastruktur regelmäßige Aktualisierungen vom Fahrzeug 700 erhalten, wie etwa eine Abfolge von Bildern und/oder Objekten, die das Fahrzeug 700 in dieser Abfolge von Bildern lokalisiert hat (z. B. über Computer Vision und/oder andere maschinelle Objektklassifizierungstechniken). Die Deep-Learning-Infrastruktur kann ihr eigenes neuronales Netz laufen lassen, um die Objekte zu identifizieren und sie mit den vom Fahrzeug 700 identifizierten Objekten zu vergleichen. Wenn die Ergebnisse nicht übereinstimmen und die Infrastruktur zu dem Schluss kommt, dass die KI im Fahrzeug 700 nicht richtig funktioniert, kann der Server (oder die Server) 778 ein Signal an das Fahrzeug 700 senden, das einen ausfallsicheren Computer des Fahrzeugs 700 anweist, die Kontrolle zu übernehmen, die Fahrgäste zu benachrichtigen und ein sicheres Parkmanöver durchzuführen.The deep learning infrastructure of the server(s) 778 may be capable of high-speed, real-time inferencing and may use this capability to assess and verify the state of the processors, software, and/or associated hardware in the
Für die Inferenzerstellung kann der/die Server 778 die GPU(s) 784 und einen oder mehrere programmierbare Inferenzbeschleuniger (z. B. TensorRT von NVIDIA) enthalten. Die Kombination von GPU-gesteuerten Servern und Inferenzbeschleunigung kann eine Reaktionsfähigkeit in Echtzeit ermöglichen. In anderen Beispielen, in denen die Leistung weniger kritisch ist, können Server mit CPUs, FPGAs und anderen Prozessoren für die Inferenzbildung verwendet werden.For inferencing, the server(s) 778 may include the GPU(s) 784 and one or more programmable inference accelerators (e.g., NVIDIA's TensorRT). The combination of GPU-driven servers and inference acceleration can enable real-time responsiveness. In other examples where performance is less critical, servers with CPUs, FPGAs, and other processors can be used for inference.
Beispielhafte RechenvorrichtungExemplary computing device
Obwohl die verschiedenen Blöcke in
Das Verbindungssystem 802 kann eine oder mehrere Verbindungen oder Busse darstellen, wie z. B. einen Adressbus, einen Datenbus, einen Steuerbus oder eine Kombination davon. Das Verbindungssystem 802 kann einen oder mehrere Bus- oder Verbindungstypen umfassen, z. B. einen ISA-Bus (Industry Standard Architecture), einen EISA-Bus (Extended Industry Standard Architecture), einen VESA-Bus (Video Electronics Standards Association), einen PCI-Bus (Peripheral Component Interconnect), einen PCIe-Bus (Peripheral Component Interconnect Express) und/oder eine andere Art von Bus oder Verbindung. In einigen Ausführungsformen gibt es direkte Verbindungen zwischen den Komponenten. So kann beispielsweise die CPU 806 direkt mit dem Speicher 804 verbunden sein. Außerdem kann die CPU 806 direkt mit der GPU 808 verbunden sein. Bei direkten oder Punkt-zu-Punkt-Verbindungen zwischen Komponenten kann das Verbindungssystem 802 eine PCIe-Verbindung enthalten, um die Verbindung herzustellen. In diesen Beispielen muss ein PCI-Bus nicht in der Rechenvorrichtung 800 enthalten sein.
Der Speicher 804 kann aus einer Vielzahl von computerlesbaren Medien bestehen. Bei den computerlesbaren Medien kann es sich um alle verfügbaren Medien handeln, auf die das Computergerät 800 zugreifen kann. Die computerlesbaren Medien können sowohl flüchtige als auch nicht-flüchtige Medien sowie austauschbare und nicht-entfernbare Medien umfassen. Als Beispiel und ohne Einschränkung können die computerlesbaren Medien Computerspeichermedien und Kommunikationsmedien umfassen.
Die Computerspeichermedien können sowohl flüchtige als auch nichtflüchtige Medien und/oder entfernbare und nicht entfernbare Medien umfassen, die in einem beliebigen Verfahren oder einer beliebigen Technologie zur Speicherung von Informationen wie computerlesbaren Anweisungen, Datenstrukturen, Programmmodulen und/oder anderen Datentypen implementiert sind. Beispielsweise kann der Speicher 804 computerlesbare Anweisungen speichern (z. B. solche, die ein Programm bzw. Programme und/oder ein Programmelement bzw. Programmelemente darstellen, wie z. B. ein Betriebssystem. Zu den Computerspeichermedien können unter anderem RAM, ROM, EEPROM, Flash-Speicher oder andere Speichertechnologien, CD-ROM, Digital Versatile Disks (DVD) oder andere optische Plattenspeicher, Magnetkassetten, Magnetbänder, Magnetplattenspeicher oder andere magnetische Speichervorrichtungen oder jedes andere Medium gehören, das zur Speicherung der gewünschten Informationen verwendet werden kann und auf das die Rechenvorrichtung 800 zugreifen kann. Der hier verwendete Begriff „Computerspeichermedium“ umfasst nicht per se Signale.Computer storage media may include both volatile and non-volatile media and/or removable and non-removable media implemented in any method or technology for storing information such as computer-readable instructions, data structures, program modules, and/or other data types. For example,
Die Computerspeichermedien können computerlesbare Befehle, Datenstrukturen, Programmmodule und/oder andere Datentypen in einem modulierten Datensignal wie z. B. einer Trägerwelle oder einem anderen Transportmechanismus verkörpern und umfassen beliebige Informationsübertragungsmedien. Der Begriff „moduliertes Datensignal“ kann sich auf ein Signal beziehen, bei dem eine oder mehrere seiner Eigenschaften so eingestellt oder verändert sind, dass Informationen in dem Signal codiert werden. Die Computerspeichermedien können beispielsweise verdrahtete Medien, wie ein verdrahtetes Netzwerk oder eine direkte Kabelverbindung, und drahtlose Medien, wie akustische, RF-, Infrarot- und andere drahtlose Medien, umfassen. Kombinationen der oben genannten Medien sollten ebenfalls in den Bereich der computerlesbaren Medien fallen.The computer storage media may contain computer-readable instructions, data structures, program modules, and/or other types of data in a modulated data signal such as a B. embody a carrier wave or other transport mechanism and include any information transmission media. The term "modulated data signal" may refer to a signal that has one or more of its properties adjusted or altered to encode information in the signal. The computer storage media may include, for example, wired media, such as a wired network or direct cable connection, and wireless media, such as acoustic, RF, infrared, and other wireless media. Combinations of the above media should also fall within the scope of computer-readable media.
Die CPU(s) 806 kann/können so konfiguriert sein, dass sie mindestens einige der computerlesbaren Anweisungen ausführen, um eine oder mehrere Komponenten des Computergeräts 800 zu steuern und eines oder mehrere der hierin beschriebenen Verfahren und/oder Prozesse durchzuführen. Die CPU(s) 806 kann/können jeweils einen oder mehrere Kerne (z. B. einen, zwei, vier, acht, achtundzwanzig, zweiundsiebzig usw.) umfassen, die in der Lage sind, eine Vielzahl von Software-Threads gleichzeitig zu verarbeiten. Die CPU(s) 806 kann/können jeden Prozessortyp umfassen und je nach Art der implementierten Rechenvorrichtung 800 unterschiedliche Prozessortypen umfassen (z. B. Prozessoren mit weniger Kernen für mobile Geräte und Prozessoren mit mehr Kernen für Server). Je nach Art des Rechengeräts 800 kann der Prozessor beispielsweise ein Advanced RISC Machines (ARM)-Prozessor sein, der mit Reduced Instruction Set Computing (RISC) arbeitet, oder ein x86-Prozessor, der mit Complex Instruction Set Computing (CISC) arbeitet. Die Recheneinheit 800 kann eine oder mehrere CPUs 806 zusätzlich zu einem oder mehreren Mikroprozessoren oder zusätzlichen Co-Prozessoren, wie z. B. mathematischen Co-Prozessoren, enthalten.The CPU(s) 806 may be configured to execute at least some of the computer-readable instructions to control one or more components of the
Zusätzlich zu oder alternativ zu der/den CPU(s) 806 kann/können die GPU(s) 808 so konfiguriert sein, dass sie mindestens einige der computerlesbaren Anweisungen ausführen, um eine oder mehrere Komponenten des Computergeräts 800 zu steuern, um eines oder mehrere der hier beschriebenen Verfahren und/oder Prozesse durchzuführen. Eine oder mehrere der GPU(s) 808 können eine integrierte GPU sein (z.B. mit einer oder mehreren der CPU(s) 806 und/oder eine oder mehrere der GPU(s) 808 können eine diskrete GPU sein. In Ausführungsformen kann eine oder mehrere der GPU(s) 808 ein Coprozessor einer oder mehrerer der CPU(s) 806 sein. Der/die Grafikprozessor(en) 808 kann/können von der Rechenvorrichtung 800 verwendet werden, um Grafiken (z. B. 3D-Grafiken) zu rendern oder allgemeine Berechnungen durchzuführen. Die GPU(s) 808 kann/können beispielsweise für General-Purpose Computing on GPUs (GPGPU) verwendet werden. Die GPU(s) 808 kann/können Hunderte oder Tausende von Kernen umfassen, die in der Lage sind, Hunderte oder Tausende von Software-Threads gleichzeitig zu verarbeiten. Die GPU(s) 808 kann/können als Reaktion auf Rendering-Befehle (z. B. Rendering-Befehle von der/den CPU(s) 806, die über eine Host-Schnittstelle empfangen werden) Pixeldaten für Ausgabebilder erzeugen. Die GPU(s) 808 kann/können einen Grafikspeicher, z. B. einen Anzeigespeicher, zum Speichern von Pixeldaten oder anderen geeigneten Daten, z. B. GPGPU-Daten, enthalten. Der Anzeigespeicher kann als Teil des Speichers 804 enthalten sein. Die GPU(s) 808 kann/können zwei oder mehr GPUs umfassen, die parallel arbeiten (z. B. über eine Verbindung). Die Verbindung kann die GPUs direkt verbinden (z. B. mit NVLINK) oder die GPUs über einen Switch verbinden (z. B. mit NVSwitch). Wenn sie miteinander kombiniert werden, kann jede GPU 808 Pixeldaten oder GPGPU-Daten für verschiedene Teile einer Ausgabe oder für verschiedene Ausgaben erzeugen (z. B. eine erste GPU für ein erstes Bild und eine zweite GPU für ein zweites Bild). Jede GPU kann ihren eigenen Speicher haben oder sich den Speicher mit anderen GPUs teilen.In addition to or in the alternative to the CPU(s) 806, the GPU(s) 808 may be configured to execute at least some of the computer-readable instructions to control one or more components of the
Zusätzlich zu oder alternativ zu der (den) CPU(s) 806 und/oder der (den) GPU(s) 808 kann (können) die Logikeinheit(en) 820 so konfiguriert sein, dass sie mindestens einige der computerlesbaren Anweisungen ausführt (ausführen), um eine oder mehrere Komponenten des Computergeräts 800 zu steuern, um eines oder mehrere der hier beschriebenen Verfahren und/oder Prozesse durchzuführen. In Ausführungsformen können die CPU(s) 806, die GPU(s) 808 und/oder die Logikeinheit(en) 820 diskret oder gemeinsam eine beliebige Kombination der Methoden, Prozesse und/oder Teile davon ausführen. Eine oder mehrere der Logikeinheiten 820 können Teil einer oder mehrerer der CPU(s) 806 und/oder der GPU(s) 808 sein und/oder eine oder mehrere der Logikeinheiten 820 können diskrete Komponenten oder anderweitig außerhalb der CPU(s) 806 und/oder der GPU(s) 808 sein. In Ausführungsformen kann eine oder mehrere der Logikeinheiten 820 ein Koprozessor einer oder mehrerer der CPU(s) 806 und/oder einer oder mehrerer der GPU(s) 808 sein.In addition to or in the alternative to CPU(s) 806 and/or GPU(s) 808, logic unit(s) 820 may be configured to execute at least some of the computer-readable instructions ) to control one or more components of
Beispiele für die Logikeinheit(en) 820 umfassen einen oder mehrere Verarbeitungskerne und/oder Komponenten davon, wie Datenverarbeitungseinheiten (DPUs), Tensorkerne (TCs), Tensorverarbeitungseinheiten (TPUs), Pixel Visual Cores (PVCs), Bildverarbeitungseinheiten (VPUs), Grafikverarbeitungscluster (GPCs), Texturverarbeitungscluster (TPCs), Streaming-Multiprozessoren (SMs), Tree Traversal Units (TTUs), Artificial Intelligence Accelerators (AIAs), Deep Learning Accelerators (DLAs), Arithmetic-Logic Units (ALUs), Application-Specific Integrated Circuits (ASICs), Floating Point Units (FPUs), Input/Output (I/O)-Elemente, Peripheral Component Interconnect (PCI) oder Peripheral Component Interconnect Express (PCIe)-Elemente und/oder dergleichen.Examples of the logic unit(s) 820 include one or more processing cores and/or components thereof, such as data processing units (DPUs), tensor cores (TCs), tensor processing units (TPUs), pixel visual cores (PVCs), image processing units (VPUs), graphics processing clusters (GPCs). ), texture processing clusters (TPCs), streaming multiprocessors (SMs), tree traversal units (TTUs), artificial intelligence accelerators (AIAs), deep learning accelerators (DLAs), arithmetic-logic units (ALUs), application-specific integrated circuits (ASICs ), Floating Point Units (FPUs), Input/Output (I/O) elements, Peripheral Component Interconnect (PCI) or Peripheral Component Interconnect Express (PCIe) elements and/or the like.
Die Kommunikationsschnittstelle 810 kann einen oder mehrere Empfänger, Sender und/oder Transceiver enthalten, die es dem Computergerät 800 ermöglichen, mit anderen Computergeräten über ein elektronisches Kommunikationsnetzwerk zu kommunizieren, einschließlich drahtgebundener und/oder drahtloser Kommunikation. Die Kommunikationsschnittstelle 810 kann Komponenten und Funktionen enthalten, die die Kommunikation über eine Reihe verschiedener Netzwerke ermöglichen, wie z. B. drahtlose Netzwerke (z. B. Wi-Fi, Z-Wave, Bluetooth, Bluetooth LE, ZigBee usw.), drahtgebundene Netzwerke (z. B. Kommunikation über Ethernet oder InfiniBand), Weitverkehrsnetzwerke mit geringer Leistung (z. B. LoRaWAN, SigFox usw.) und/oder das Internet. In einer oder mehreren Ausführungsformen können die Logikeinheit(en) 820 und/oder die Kommunikationsschnittstelle 810 eine oder mehrere Datenverarbeitungseinheiten (DPUs) enthalten, um über ein Netzwerk und/oder über das Verbindungssystem 802 empfangene Daten direkt an (z. B. einen Speicher) eine oder mehrere GPU(s) 808 zu übertragen.Communications interface 810 may include one or more receivers, transmitters, and/or transceivers that enable
Über die I/O-Ports 812 kann das Computergerät 800 logisch mit anderen Geräten gekoppelt werden, darunter die I/O-Komponenten 814, die Präsentationskomponente(n) 818 und/oder andere Komponenten, von denen einige in das Computergerät 800 eingebaut (z. B. integriert) sein können. Illustrative I/O-Komponenten 814 umfassen ein Mikrofon, eine Maus, eine Tastatur, einen Joystick, ein Gamepad, einen Gamecontroller, eine Satellitenschüssel, einen Scanner, einen Drucker, ein drahtloses Gerät usw. Die I/O-Komponenten 814 können eine natürliche Benutzerschnittstelle (NUI) bereitstellen, die Luftgesten, Sprache oder andere physiologische Eingaben eines Benutzers verarbeitet. In einigen Fällen können die Eingaben zur weiteren Verarbeitung an ein geeignetes Netzwerkelement übertragen werden. Eine NUI kann eine beliebige Kombination aus Spracherkennung, Stifterkennung, Gesichtserkennung, biometrischer Erkennung, Gestenerkennung sowohl auf dem Bildschirm als auch in der Nähe des Bildschirms, Luftgesten, Kopf- und Augenverfolgung und Berührungserkennung (wie unten ausführlicher beschrieben) in Verbindung mit einer Anzeige des Computergeräts 800 implementieren. Die Computervorrichtung 800 kann Tiefenkameras, wie stereoskopische Kamerasysteme, Infrarotkamerasysteme, RGB-Kamerasysteme, Touchscreen-Technologie und Kombinationen davon, zur Gestenerkennung und - erfassung enthalten. Darüber hinaus kann das Computergerät 800 Beschleunigungsmesser oder Gyroskope (z. B. als Teil einer Trägheitsmesseinheit (IMU)) enthalten, die die Erkennung von Bewegungen ermöglichen. In einigen Beispielen kann die Ausgabe der Beschleunigungsmesser oder Gyroskope von der Computervorrichtung 800 verwendet werden, um immersive Augmented Reality oder Virtual Reality darzustellen.Through I/
Die Stromversorgung 816 kann eine festverdrahtete Stromversorgung, eine Batteriestromversorgung oder eine Kombination davon sein. Die Stromversorgung 816 kann das Computergerät 800 mit Strom versorgen, um den Betrieb der Komponenten des Computergeräts 800 zu ermöglichen.The
Die Präsentationskomponente(n) 818 kann/können eine Anzeige (z. B. einen Monitor, einen Touchscreen, einen Fernsehbildschirm, ein Heads-up-Display (HUD), andere Anzeigetypen oder eine Kombination davon), Lautsprecher und/oder andere Präsentationskomponenten umfassen. Die Präsentationskomponente(n) 818 kann/können Daten von anderen Komponenten (z. B. der/den GPU(s) 808, der/den CPU(s) 806, DPUs usw.) empfangen und die Daten ausgeben (z. B. als Bild, Video, Ton usw.).The presentation component(s) 818 may include a display (e.g., a monitor, touch screen, television screen, heads-up display (HUD), other display types, or a combination thereof), speakers, and/or other presentation components . The presentation component(s) 818 may receive data from other components (e.g., the GPU(s) 808, the CPU(s) 806, DPUs, etc.) and output the data (e.g. as image, video, sound, etc.).
Beispielhaftes DatenzentrumExemplary data center
Wie in
In mindestens einer Ausführungsform können die gruppierten Rechenressourcen 914 separate Gruppierungen von Knoten-CRs 916 umfassen, die in einem oder mehreren Racks (nicht dargestellt) oder in vielen Racks in Datenzentren an verschiedenen geografischen Standorten (ebenfalls nicht dargestellt) untergebracht sind. Separate Gruppierungen von Knoten-C.R.s 916 innerhalb der gruppierten Rechenressourcen 914 können gruppierte Rechen-, Netzwerk-, Speicher- oder Speicherressourcen umfassen, die zur Unterstützung einer oder mehrerer Arbeitslasten konfiguriert oder zugewiesen werden können. In mindestens einer Ausführungsform können mehrere Knoten-CRs 916 mit CPUs, GPUs, DPUs und/oder anderen Prozessoren in einem oder mehreren Racks gruppiert werden, um Rechenressourcen zur Unterstützung einer oder mehrerer Arbeitslasten bereitzustellen. Das eine oder die mehreren Racks können auch eine beliebige Anzahl von Stromversorgungsmodulen, Kühlmodulen und/oder Netzwerk-Switches in beliebiger Kombination enthalten.In at least one embodiment, the clustered
Der Ressourcen-Orchestrator 912 kann einen oder mehrere Knoten-CRs 916(1)-916(N) und/oder gruppierte Rechenressourcen 914 konfigurieren oder anderweitig steuern. In mindestens einer Ausführungsform kann der Ressourcen-Orchestrator 912 eine Software-Design-Infrastruktur (SDI)-Verwaltungseinheit für das Datenzentrum 900 umfassen. Der Ressourcen-Orchestrator 912 kann Hardware, Software oder eine Kombination davon umfassen.The
In mindestens einer Ausführungsform, wie in
In mindestens einer Ausführungsform kann die in der Softwareschicht 930 enthaltene Software 932 Software enthalten, die von mindestens Teilen der Knoten C.R.s 916(1)-916(N), den gruppierten Computerressourcen 914 und/oder dem verteilten Dateisystem 938 der Framework-Schicht 920 verwendet wird. Eine oder mehrere Arten von Software können u. a. Internet-Suchsoftware, E-Mail-Virenscan-Software, Datenbanksoftware und Software für Streaming-Videoinhalte umfassen.In at least one embodiment, the
In mindestens einer Ausführungsform kann (können) die in der Anwendungsschicht 940 enthaltene(n) Anwendung(en) 942 eine oder mehrere Arten von Anwendungen umfassen, die von mindestens Teilen der Knoten C.R.s 916(1)-916(N), den gruppierten Rechenressourcen 914 und/oder dem verteilten Dateisystem 938 der Framework-Schicht 920 verwendet werden. Eine oder mehrere Arten von Anwendungen können eine beliebige Anzahl von Genomanwendungen, kognitiven Berechnungen und Anwendungen für maschinelles Lernen umfassen, einschließlich Trainings- oder Inferenzsoftware, Framework-Software für maschinelles Lernen (z. B. PyTorch, TensorFlow, Caffe usw.) und/oder andere Anwendungen für maschinelles Lernen, die in Verbindung mit einer oder mehreren Ausführungsformen verwendet werden, sind aber nicht darauf beschränkt.In at least one embodiment, the application(s) 942 contained in the
In mindestens einer Ausführungsform können der Konfigurationsmanager 934, der Ressourcenmanager 936 und der Ressourcen-Orchestrator 912 eine beliebige Anzahl und Art von selbstmodifizierenden Aktionen implementieren, die auf einer beliebigen Menge und Art von Daten basieren, die auf jede technisch mögliche Weise erfasst wurden. Selbstmodifizierende Aktionen können einen Datenzentrumsbetreiber des Datenzentrums 900 davon entlasten, möglicherweise schlechte Konfigurationsentscheidungen zu treffen und möglicherweise nicht ausgelastete und/oder schlecht funktionierende Teile eines Datenzentrums zu vermeiden.In at least one embodiment,
Das Datenzentrum 900 kann Werkzeuge, Dienste, Software oder andere Ressourcen enthalten, um ein oder mehrere maschinelle Lernmodelle zu trainieren oder Informationen unter Verwendung eines oder mehrerer maschineller Lernmodelle gemäß einer oder mehrerer hier beschriebener Ausführungsformen vorherzusagen oder abzuleiten. Beispielsweise kann ein maschinelles Lernmodell bzw. können maschinelle Lernmodelle trainiert werden, indem Gewichtsparameter gemäß einer neuronalen Netzwerkarchitektur unter Verwendung von Software und/oder Computerressourcen berechnet werden, die oben in Bezug auf das Datenzentrum 900 beschrieben wurden. In mindestens einer Ausführungsform können trainierte oder eingesetzte maschinelle Lernmodelle, die einem oder mehreren neuronalen Netzen entsprechen, verwendet werden, um Informationen abzuleiten oder vorherzusagen, wobei die oben beschriebenen Ressourcen in Bezug auf das Datenzentrum 900 verwendet werden, indem Gewichtungsparameter verwendet werden, die durch eine oder mehrere Trainingstechniken berechnet werden, wie z. B., aber nicht nur, die hier beschriebenen.
In mindestens einer Ausführungsform kann das Datenzentrum 900 CPUs, anwendungsspezifische integrierte Schaltungen (ASICs), GPUs, FPGAs und/oder andere Hardware (oder entsprechende virtuelle Rechenressourcen) verwenden, um das Training und/oder die Inferenz unter Verwendung der oben beschriebenen Ressourcen durchzuführen. Darüber hinaus können eine oder mehrere der oben beschriebenen Software- und/oder Hardwareressourcen als Dienst konfiguriert werden, um Benutzern das Training oder die Inferenz von Informationen zu ermöglichen, wie z. B. Bilderkennung, Spracherkennung oder andere Dienste der künstlichen Intelligenz.In at least one embodiment,
Beispielhafte NetzwerkumgebungenSample Network Environments
Netzwerkumgebungen, die zur Verwendung bei der Implementierung von Ausführungsformen der Offenbarung geeignet sind, können ein oder mehrere Client-Geräte, Server, Network Attached Storage (NAS), andere Backend-Geräte und/oder andere Gerätetypen umfassen. Die Client-Geräte, Server und/oder anderen Gerätetypen (z. B. jedes Gerät) können auf einer oder mehreren Instanzen des/der Rechengeräts/e 800 der
Die Komponenten einer Netzwerkumgebung können über ein oder mehrere Netzwerke miteinander kommunizieren, die drahtgebunden, drahtlos oder beides sein können. Das Netz kann mehrere Netze oder ein Netz von Netzen umfassen. Beispielsweise kann das Netzwerk ein oder mehrere Wide Area Networks (WANs), ein oder mehrere Local Area Networks (LANs), ein oder mehrere öffentliche Netzwerke wie das Internet und/oder ein öffentliches Telefonnetz (PSTN) und/oder ein oder mehrere private Netzwerke umfassen. Wenn das Netz ein drahtloses Telekommunikationsnetz umfasst, können Komponenten wie eine Basisstation, ein Kommunikationsturm oder sogar Zugangspunkte (sowie andere Komponenten) eine drahtlose Verbindung ermöglichen.The components of a network environment can communicate with one another over one or more networks, which may be wired, wireless, or both. The network can include multiple networks or a network of networks. For example, the network may include one or more wide area networks (WANs), one or more local area networks (LANs), one or more public networks such as the Internet and/or a public switched telephone network (PSTN), and/or one or more private networks . When the network includes a wireless telecommunications network, components such as a base station, a communications tower, or even access points (among other components) can enable a wireless connection.
Zu den kompatiblen Netzwerkumgebungen gehören eine oder mehrere Peer-to-Peer-Netzwerkumgebungen - in diesem Fall kann ein Server nicht in eine Netzwerkumgebung eingebunden sein - und eine oder mehrere Client-Server-Netzwerkumgebungen - in diesem Fall können ein oder mehrere Server in eine Netzwerkumgebung eingebunden sein. In Peer-to-Peer-Netzwerkumgebungen kann die hier beschriebene Funktionalität in Bezug auf einen oder mehrere Server auf einer beliebigen Anzahl von Client-Geräten implementiert werden.Compatible network environments include one or more peer-to-peer network environments - in which case a server cannot be included in one network environment - and one or more client-server network environments - in which case one or more servers can be included in one network environment to be involved. In peer-to-peer network environments, the functionality described herein may be implemented in relation to one or more servers on any number of client devices.
In mindestens einer Ausführungsform kann eine Netzumgebung eine oder mehrere Cloud-basierte Netzumgebungen, eine verteilte Rechenumgebung, eine Kombination davon usw. umfassen. Eine Cloud-basierte Netzwerkumgebung kann eine Framework-Schicht, einen Job Scheduler, einen Ressourcenmanager und ein verteiltes Dateisystem umfassen, die auf einem oder mehreren Servern implementiert sind, die einen oder mehrere Kernnetzwerkserver und/oder Edge-Server umfassen können. Eine Framework-Schicht kann ein Framework zur Unterstützung von Software einer Softwareschicht und/oder einer oder mehrerer Anwendungen einer Anwendungsschicht umfassen. Die Software oder die Anwendung(en) können jeweils webbasierte Dienstsoftware oder Anwendungen umfassen. In Ausführungsformen können ein oder mehrere Client-Geräte die webbasierte Dienstsoftware oder Anwendungen nutzen (z. B. durch Zugriff auf die Dienstsoftware und/oder Anwendungen über eine oder mehrere Anwendungsprogrammierschnittstellen (APIs)). Bei der Framework-Schicht kann es sich um eine Art von freiem und quelloffenem Software-Webanwendungs-Framework handeln, das z. B. ein verteiltes Dateisystem für die Verarbeitung großer Datenmengen (z. B. „Big Data“) verwendet, ohne darauf beschränkt zu sein.In at least one embodiment, a network environment may include one or more cloud-based network environments, a distributed computing environment, a combination thereof, and so forth. A cloud-based network environment may include a framework layer, a job scheduler, a resource manager, and a distributed file system implemented on one or more servers, which may include one or more core network servers and/or edge servers. A framework layer may include a framework to support software of a software layer and/or one or more applications of an application layer. The software or application(s) may each include web-based service software or applications. In embodiments, one or more client devices may utilize the web-based service software or applications (e.g., by accessing the service software and/or applications through one or more application programming interfaces (APIs)). The framework layer can be some type of free and open source software web application framework, e.g. B. a distributed file system used for processing large amounts of data (e.g. "Big Data"), but not limited to it.
Eine Cloud-basierte Netzwerkumgebung kann Cloud-Computing und/oder Cloud-Speicher bereitstellen, die eine beliebige Kombination der hier beschriebenen Rechen- und/oder Datenspeicherfunktionen (oder einen oder mehrere Teile davon) ausführen. Jede dieser verschiedenen Funktionen kann über mehrere Standorte von zentralen oder Kernservern (z. B. von einem oder mehreren Datenzentren, die über einen Staat, eine Region, ein Land, den Globus usw. verteilt sein können) verteilt sein. Befindet sich eine Verbindung zu einem Benutzer (z. B. einem Client-Gerät) relativ nahe an einem oder mehreren Edge-Servern, kann ein Kernserver mindestens einen Teil der Funktionalität dem oder den Edge-Servern zuweisen. Eine Cloud-basierte Netzwerkumgebung kann privat (z. B. auf eine einzelne Organisation beschränkt), öffentlich (z. B. für viele Organisationen verfügbar) und/oder eine Kombination davon (z. B. eine hybride Cloud-Umgebung) sein.A cloud-based network environment may provide cloud computing and/or cloud storage that performs any combination of the computing and/or data storage functions (or one or more portions thereof) described herein. Each of these various functions may be distributed across multiple central or core server locations (e.g., from one or more data centers that may be spread across a state, region, country, globe, etc.). When a connection to a user (e.g., a client device) is relatively close to one or more edge servers, a core server may assign at least some functionality to the edge server or servers. A cloud-based network environment can be private (e.g., limited to a single organization), public (e.g., available to many organizations), and/or a combination thereof (e.g., a hybrid cloud environment).
Das (die) Client-Gerät(e) kann (können) mindestens einige der Komponenten, Merkmale und Funktionen des (der) hier in Bezug auf
Die Offenbarung kann im allgemeinen Kontext von Computercode oder maschinell verwendbaren Anweisungen, einschließlich von computerausführbaren Anweisungen wie Programmmodulen, beschrieben werden, die von einem Computer oder einer anderen Maschine, z. B. einem persönlichen Datenassistenten oder einem anderen Handheld-Gerät, ausgeführt werden. Im Allgemeinen beziehen sich Programmmodule, einschließlich Routinen, Programme, Objekte, Komponenten, Datenstrukturen usw., auf Code, der bestimmte Aufgaben ausführt oder bestimmte abstrakte Datentypen implementiert. Die Offenbarung kann in einer Vielzahl von Systemkonfigurationen angewendet werden, einschließlich tragbaren Geräten, Unterhaltungselektronik, Allzweckcomputern, spezielleren Datenverarbeitungsgeräten usw. Die Offenbarung kann auch in verteilten Computerumgebungen angewendet werden, in denen Aufgaben von ferngesteuerten Geräten ausgeführt werden, die über ein Kommunikationsnetz verbunden sind.The disclosure may be described in the general context of computer code or machine-usable instructions, including computer-executable instructions such as program modules, executed by a computer or other machine, e.g. a personal data assistant or other handheld device. In general, program modules, including routines, programs, objects, components, data structures, etc., refer to code that performs specific tasks or implements specific abstract data types. The disclosure can be applied in a variety of system configurations, including portable devices, consumer electronics, general purpose computing, more specialized computing devices, etc. The disclosure may also be applied in distributed computing environments where tasks are performed by remotely controlled devices that are linked through a communications network.
Wenn hier von „und/oder“ in Bezug auf zwei oder mehr Elemente die Rede ist, sollte dies so verstanden werden, dass nur ein Element oder eine Kombination von Elementen gemeint ist. So kann beispielsweise „Element A, Element B und/oder Element C“ nur Element A, nur Element B, nur Element C, Element A und Element B, Element A und Element C, Element B und Element C oder die Elemente A, B und C umfassen. Darüber hinaus kann „mindestens eines der Elemente A oder B“ mindestens eines der Elemente A, mindestens eines der Elemente B oder mindestens eines der Elemente A und mindestens eines der Elemente B einschließen.When reference is made herein to "and/or" in relation to two or more elements, it should be understood to mean only one element or a combination of elements. For example, "Item A, Item B, and/or Item C" can include only Item A, only Item B, only Item C, Item A and Item B, Item A and Item C, Item B and Item C, or Items A, B and C include. Additionally, "at least one of A or B" may include at least one of A, at least one of B, or at least one of A and at least one of B.
Der Gegenstand der vorliegenden Offenbarung wird hier mit einer Genauigkeit beschrieben, die den gesetzlichen Anforderungen entspricht. Die Beschreibung selbst soll jedoch den Umfang dieser Offenbarung nicht einschränken. Vielmehr haben die Erfinder in Betracht gezogen, dass der beanspruchte Gegenstand auch auf andere Weise verkörpert werden könnte, um verschiedene Schritte oder Kombinationen von Schritten, die den in diesem Dokument beschriebenen ähnlich sind, in Verbindung mit anderen gegenwärtigen oder zukünftigen Technologien zu umfassen. Obwohl die Begriffe „Schritt“ und/oder „Block“ hier verwendet werden können, um verschiedene Elemente der angewandten Methoden zu bezeichnen, sollten die Begriffe nicht so ausgelegt werden, dass sie eine bestimmte Reihenfolge unter oder zwischen den verschiedenen hier offenbarten Schritten implizieren, es sei denn, die Reihenfolge der einzelnen Schritte wird ausdrücklich beschrieben.The subject matter of the present disclosure is described herein with sufficient detail to meet the requirements of the law. However, the description itself is not intended to limit the scope of this disclosure. Rather, the inventors contemplated that the claimed subject matter could be embodied in other ways to include various steps or combinations of steps similar to those described in this document in conjunction with other present or future technologies. Although the terms "step" and/or "block" may be used herein to denote various elements of the methods employed, the terms should not be construed to imply any particular order among or between the various steps disclosed herein, es unless the order of each step is specifically described.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- US 16101232 [0137]US16101232 [0137]
Zitierte Nicht-PatentliteraturNon-patent Literature Cited
- ISO 26262 [0136]ISO 26262 [0136]
Claims (20)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/512,495 US20230130814A1 (en) | 2021-10-27 | 2021-10-27 | Yield scenario encoding for autonomous systems |
US17/512,495 | 2021-10-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022126537A1 true DE102022126537A1 (en) | 2023-04-27 |
Family
ID=85795687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022126537.4A Pending DE102022126537A1 (en) | 2021-10-27 | 2022-10-12 | Coding of priority scenarios for autonomous systems |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230130814A1 (en) |
JP (1) | JP2023065279A (en) |
CN (1) | CN116030652A (en) |
DE (1) | DE102022126537A1 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220152475A (en) * | 2021-05-07 | 2022-11-16 | 현대자동차주식회사 | Apparatus for managing remote control of autonomous driving, system having the same and method thereof |
US20230202521A1 (en) * | 2021-12-27 | 2023-06-29 | Gm Cruise Holdings Llc | System and method of using an autolabeler to generate yield/assert labels based on on-road autonomous vehicle use |
CN116798233B (en) * | 2023-08-25 | 2024-01-09 | 湖南天宇汽车制造有限公司 | Ambulance rapid passing guiding system |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9645577B1 (en) * | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
WO2019241022A1 (en) * | 2018-06-13 | 2019-12-19 | Nvidia Corporation | Path detection for autonomous machines using deep neural networks |
KR20210134317A (en) * | 2019-03-29 | 2021-11-09 | 인텔 코포레이션 | autonomous vehicle system |
US20220048535A1 (en) * | 2020-08-12 | 2022-02-17 | Woven Planet North America, Inc. | Generating Goal States for Prioritizing Path Planning |
US11681296B2 (en) * | 2020-12-11 | 2023-06-20 | Motional Ad Llc | Scenario-based behavior specification and validation |
-
2021
- 2021-10-27 US US17/512,495 patent/US20230130814A1/en active Pending
- 2021-11-18 JP JP2021187697A patent/JP2023065279A/en active Pending
-
2022
- 2022-05-27 CN CN202210592215.1A patent/CN116030652A/en active Pending
- 2022-10-12 DE DE102022126537.4A patent/DE102022126537A1/en active Pending
Non-Patent Citations (1)
Title |
---|
ISO 26262 |
Also Published As
Publication number | Publication date |
---|---|
JP2023065279A (en) | 2023-05-12 |
CN116030652A (en) | 2023-04-28 |
US20230130814A1 (en) | 2023-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112021000135T5 (en) | SENSOR FUSION FOR AUTONOMOUS MACHINE APPLICATIONS THROUGH MACHINE LEARNING | |
DE112021000216T5 (en) | Behavior planning for autonomous vehicles | |
DE112020002126T5 (en) | DETECTION OF CROSSING POSES IN AUTONOMOUS MACHINE APPLICATIONS | |
DE112020006410T5 (en) | THREE-DIMENSIONAL INTERSECTION STRUCTURE PREDICTION FOR AUTONOMOUS DRIVING APPLICATIONS | |
DE112019000048T5 (en) | DETERMINATION OF A ACCESSIBLE CLEARANCE FOR AUTONOMOUS VEHICLES | |
DE112020003043T5 (en) | DETECTION AND CLASSIFICATION OF CROSSROADS REGIONS FOR AUTONOMOUS MACHINE APPLICATIONS | |
DE102020117792A1 (en) | EFFECTIVE USE OF OBSTACLE AND TRACK DETECTION TO DETERMINE TRACK ALLOCATIONS FOR OBJECTS IN AN ENVIRONMENT | |
DE112021000422T5 (en) | Predict future trajectories in multi-actuator environments for autonomous machine applications | |
DE112020006404T5 (en) | PLANNING AND CONTROL OF LANE CHANGES IN AUTONOMOUS MACHINE APPLICATIONS | |
DE112020001897T5 (en) | Training of neural networks using basic truth data supplemented with map information for autonomous machine applications | |
DE102021117456A1 (en) | SYSTEMS AND PROCEDURES FOR RISK ASSESSMENT AND DIRECTIONAL WARNING FOR PEDESTRIAN CROSSINGS | |
DE102021126254A1 (en) | Monitoring occupant alertness and cognitive load for autonomous and semi-autonomous driving applications | |
DE112019000070T5 (en) | GUIDING VEHICLES BY VEHICLE MANEUVER USING MODELS FOR MACHINE LEARNING | |
DE102021100065A1 (en) | USE OF NEURONAL NETWORKS FOR ERROR DETECTION IN APPLICATIONS FOR AUTONOMOUS DRIVING | |
DE102021123159A1 (en) | ADAPTIVE OBJECT TRACKING ALGORITHM FOR AUTONOMOUS MACHINE APPLICATIONS | |
DE112021001994T5 (en) | MODEL-BASED REINFORCEMENT LEARNING FOR BEHAVIOR PREDICTION IN AUTONOMOUS SYSTEMS AND APPLICATIONS | |
DE102019113114A1 (en) | BEHAVIOR-CONTROLLED ROUTE PLANNING IN AUTONOMOUS MACHINE APPLICATIONS | |
DE102021129528A1 (en) | Detection of emergency vehicles for autonomous driving applications | |
DE102022121121A1 (en) | Object tracking using LiDAR data for autonomous machine applications | |
DE112021000104T5 (en) | PROJECTING IMAGES TAKEN WITH FISHEYE LENSES FOR FEATURE RECOGNITION IN AUTONOMOUS MACHINE APPLICATIONS | |
DE102022126537A1 (en) | Coding of priority scenarios for autonomous systems | |
DE102022112748A1 (en) | USE OF ARRIVAL TIMES AND SAFETY PROCEDURES IN MOVEMENT PLANNING TRAJECTORIES FOR AUTONOMOUS VEHICLES | |
DE102022119206A1 (en) | Behavior planning for autonomous vehicles in priority scenarios | |
DE102022104026A1 (en) | GENERATION OF GROUND TRUTH DATA FOR PERCEPTION BY DEEP NEURAL NETWORKS IN AUTONOMOUS DRIVING APPLICATIONS | |
DE102021105245A1 (en) | USING IMAGE AUGMENTATION WITH SIMULATED OBJECTS TO TRAIN MACHINE LEARNING MODELS IN AUTONOMOUS DRIVING APPLICATIONS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed |